本發(fā)明涉及河道流量演進(jìn)，更具體的說是涉及一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)方法及系統(tǒng)。

背景技術(shù)：

1、河道流量是單位時間內(nèi)通過河道某一過水?dāng)嗝娴乃w體積，是水文循環(huán)的重要表征指標(biāo)和水量平衡的基本組成要素。河道流量演進(jìn)是來水過程、引水過程、退水過程、水庫調(diào)度過程的協(xié)調(diào)點(diǎn)，流量演進(jìn)推演是徑流預(yù)測與洪水預(yù)報等工作的基礎(chǔ)與核心，演進(jìn)過程受區(qū)間入流、區(qū)間出流、河道形態(tài)、河床屬性、地下水位、水文氣象等多方面因素的影響。河道流量演進(jìn)的基本水文物理原理如圖1所示。

2、目前，對于河道流量演進(jìn)所采用的方法，主要為基于物理機(jī)制的水文學(xué)法與水動力學(xué)法，兩種方法分別利用了水量平衡原理及動量動能定理。物理模型依據(jù)物理理論和實(shí)驗數(shù)據(jù)建立，通過對系統(tǒng)的物理結(jié)構(gòu)和特性進(jìn)行建模，直觀地反映了真實(shí)系統(tǒng)的性質(zhì)和特征，具有可解釋性強(qiáng)、結(jié)構(gòu)邏輯清晰的優(yōu)點(diǎn)，應(yīng)用相對較為成熟廣泛。但傳統(tǒng)的物理模型始終存在一些局限性：

3、(1)物理模型結(jié)構(gòu)復(fù)雜，模型建立通常需要大量的參數(shù)，這些參數(shù)的確定需要依賴于眾多實(shí)測數(shù)據(jù)，包括水文資料、氣象資料、地形資料、河網(wǎng)資料、河道特征資料、地下含水層資料等，常常因缺少資料、數(shù)據(jù)不準(zhǔn)確或數(shù)據(jù)不匹配等問題，導(dǎo)致無法建立完整、完善的模型，建模工作量大、難度高、周期長。

4、(2)物理模型受限于實(shí)際系統(tǒng)的物理結(jié)構(gòu)和特性，可能難以對復(fù)雜系統(tǒng)進(jìn)行準(zhǔn)確的描述，即使表面上構(gòu)建了完整的物理模型，模擬結(jié)果與實(shí)際物理過程可能有較大出入，參數(shù)的不確定性也無法保證有較好的擬合效果，模型精度有待提高。

5、隨著人類社會經(jīng)濟(jì)的快速發(fā)展，氣候與環(huán)境的演變機(jī)理越來越復(fù)雜，傳統(tǒng)的水文物理模型已經(jīng)難以滿足精細(xì)化管理和精準(zhǔn)化調(diào)度的需求，物理模型自身的局限性也成為其服務(wù)于社會管理工作的掣肘。與此同時，深度學(xué)習(xí)正在成為新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力量，近年來深度學(xué)習(xí)被廣泛應(yīng)用于數(shù)據(jù)挖掘、語音識別、機(jī)器翻譯和機(jī)器人技術(shù)等領(lǐng)域，展現(xiàn)了其在處理序列數(shù)據(jù)方面的強(qiáng)大能力，考慮物理約束建模是目前的研究熱點(diǎn)與難點(diǎn)。深度學(xué)習(xí)算法模型借助其強(qiáng)大的特征表示和學(xué)習(xí)能力，已經(jīng)日益成為求解物理方程、探尋物理規(guī)律、推演物理世界的技術(shù)支撐。

6、因此，如何提出一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)方法及系統(tǒng)，通過水文物理機(jī)制引導(dǎo)約束深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型建立，將水文物理模型與深度學(xué)習(xí)算法模型有機(jī)融合，綜合應(yīng)用物理模型和數(shù)學(xué)模型更好地解決復(fù)雜系統(tǒng)的水文學(xué)問題是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)方法及系統(tǒng)，通過水文物理機(jī)制引導(dǎo)約束深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型建立，將水文物理模型與深度學(xué)習(xí)算法模型有機(jī)融合，綜合應(yīng)用物理模型和數(shù)學(xué)模型更好地解決復(fù)雜系統(tǒng)的水文學(xué)問題，為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

2、一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)方法，包括：

3、進(jìn)行河段的水文數(shù)據(jù)采集，構(gòu)建基礎(chǔ)數(shù)據(jù)集，并進(jìn)行數(shù)據(jù)預(yù)處理；

4、通過卷積神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，并利用提取的特征構(gòu)建基于長短期記憶神經(jīng)網(wǎng)絡(luò)的演進(jìn)模型；

5、通過馬斯京根槽蓄曲線方程和河段水量平衡方程聯(lián)立推導(dǎo)水文物理模型；

6、分別通過水文物理模型和演進(jìn)模型預(yù)測各河段的斷面流量；

7、通過指標(biāo)評價模型在各河段的預(yù)測結(jié)果，并通過評價結(jié)果進(jìn)行各河段協(xié)同優(yōu)化智能演進(jìn)。

8、可選的，所述進(jìn)行河段的水文數(shù)據(jù)采集，構(gòu)建基礎(chǔ)數(shù)據(jù)集包括：

9、通過調(diào)研獲取自然地理、水文氣象、社會經(jīng)濟(jì)數(shù)據(jù)信息，通過對信息的整合與提取將調(diào)研資料轉(zhuǎn)化為各類可讀寫的基礎(chǔ)數(shù)據(jù)；

10、通過文獻(xiàn)研究法、現(xiàn)場踏勘法、統(tǒng)計分析法和綜合評價法對搜集到的數(shù)據(jù)形式進(jìn)行識別，提取所需要的信息，將得到的數(shù)據(jù)進(jìn)行核對與統(tǒng)一，定期開展數(shù)據(jù)的更新與維護(hù)管理，從而構(gòu)建基礎(chǔ)數(shù)據(jù)集。

11、可選的，所述進(jìn)行數(shù)據(jù)預(yù)處理包括：進(jìn)行數(shù)據(jù)清洗，檢查數(shù)據(jù)一致性、符合數(shù)據(jù)邏輯關(guān)系，通過插值、包絡(luò)線約束和平均值代替方法處理缺失值、無效值、異常值數(shù)據(jù)，生成符合數(shù)據(jù)訓(xùn)練質(zhì)量要求的數(shù)據(jù)。

12、可選的，所述通過馬斯京根槽蓄曲線方程和河段水量平衡方程聯(lián)立推導(dǎo)水文物理模型包括：

13、馬斯京根槽蓄曲線方程：s＝kq′＝k(xi+(1-x)q)；

14、其中，x為入流和出流對槽蓄影響的權(quán)重因子，s為槽蓄量，k為槽蓄系數(shù)，q′為示儲流量，i為上斷面流量，q為下斷面流量；

15、河段水量平衡方程：

16、其中，s1、s2分別為上時刻、下時刻槽蓄量，δt表示時間步長，i1、i2分別為上斷面上時刻與下時刻的流量，q1、q2分別為下斷面上時刻與下時刻的流量；

17、聯(lián)立以上兩式，權(quán)重因子x取0.5，考慮水流傳播時間的影響，槽蓄系數(shù)k取值傳播時間τ，并考慮區(qū)間來水、區(qū)間退水、區(qū)間引水、區(qū)間水損和區(qū)間不平衡水量參數(shù)，得到基于水文物理機(jī)制的流量演進(jìn)方程。

18、可選的，所述流量演進(jìn)方程為河道中某一斷面的流量計算公式：

19、

20、其中，ijt表示j斷面t時刻流量，ij-1，t為j-1斷面t時刻流量，ij-1，t-1為j-1斷面t-1時刻流量，τj為從j-1至j斷面的傳播時間，δt表示時間步長，q區(qū)jt表示第j-1個節(jié)點(diǎn)到第j個節(jié)點(diǎn)間t時刻的區(qū)間入流，q退jt表示第j-1個節(jié)點(diǎn)到第j個節(jié)點(diǎn)間t時刻的退水量，q引jt表示第j-1個節(jié)點(diǎn)到第j個節(jié)點(diǎn)間t時刻的引水量，q損jt表示第j-1個節(jié)點(diǎn)到第j個節(jié)點(diǎn)間t時刻的損失量，q平j(luò),t表示第j-1個節(jié)點(diǎn)到第j個節(jié)點(diǎn)間t時刻的不平衡水量。

21、可選的，所述演進(jìn)模型預(yù)測各河段的斷面流量包括：將河道各河段分為兩種類型，分別為不包含水庫的河段與包含水庫的河段。

22、可選的，還包括：選取均方根誤差和平均相對誤差指標(biāo)評價演進(jìn)模型預(yù)測結(jié)果；

23、

24、其中，xi為實(shí)測值，yi為預(yù)測值，n為實(shí)測值數(shù)量；rmse為均方根誤差；

25、

26、其中，xi為實(shí)測值，yi為預(yù)測值，n為實(shí)測值數(shù)量；mre為平均相對誤差。

27、可選的，還包括，根據(jù)評價指標(biāo)進(jìn)行演進(jìn)模型參數(shù)篩選：

28、將各河段訓(xùn)練次數(shù)定為m次，訓(xùn)練結(jié)束后計算m個樣本的rmse與mre評價指標(biāo)，首先選取m個樣本中rmse評價指標(biāo)的前n位作為候選樣本，其次從候選樣本中選取mre表現(xiàn)最優(yōu)的樣本，將其存儲為河段最終的演進(jìn)模型參數(shù)信息文件。

29、可選的，所述演進(jìn)模型預(yù)測各河段的斷面流量包括：

30、通過演進(jìn)模型按照上下游順序?qū)⒏骱佣文Ｐ痛?lián)模擬，得到河道流量演進(jìn)過程；

31、每個河段均為單獨(dú)的模型單元，均存儲有相應(yīng)的模型參數(shù)文件，按照上下游順序?qū)⒏骱佣文Ｐ痛?lián)模擬；

32、模擬預(yù)測前，按照河段類型的輸入項清單將相應(yīng)數(shù)據(jù)輸入演進(jìn)模型，首先輸入第一河段的數(shù)據(jù)，通過python語言調(diào)用第一河段的模型參數(shù)文件，將模擬得到第一河段下斷面的流量過程，并以此作為第二河段上斷面的流量過程，以此類推，直至得到下游每個斷面的流量過程。

33、可選的，一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)系統(tǒng)，包括：

34、采集處理模塊：用于進(jìn)行河段的水文數(shù)據(jù)采集，構(gòu)建基礎(chǔ)數(shù)據(jù)集，并進(jìn)行數(shù)據(jù)預(yù)處理；

35、模型構(gòu)建模塊：用于通過卷積神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，并利用提取的特征構(gòu)建基于長短期記憶神經(jīng)網(wǎng)絡(luò)的演進(jìn)模型；

36、模型推導(dǎo)模塊：用于通過馬斯京根槽蓄曲線方程和河段水量平衡方程聯(lián)立推導(dǎo)水文物理模型；

37、預(yù)測模塊：用于分別通過水文物理模型和演進(jìn)模型預(yù)測各河段的斷面流量；

38、演進(jìn)模塊：用于通過指標(biāo)評價模型在各河段的預(yù)測結(jié)果，并通過評價結(jié)果進(jìn)行各河段協(xié)同優(yōu)化智能演進(jìn)。

39、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)方法及系統(tǒng)，具有如下有益效果：

40、本發(fā)明提出了一種物理機(jī)制協(xié)同深度學(xué)習(xí)算法的河道流量演進(jìn)方法，包括：進(jìn)行河段的水文數(shù)據(jù)采集，構(gòu)建基礎(chǔ)數(shù)據(jù)集，并進(jìn)行數(shù)據(jù)預(yù)處理；通過卷積神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取，并利用提取的特征構(gòu)建基于長短期記憶神經(jīng)網(wǎng)絡(luò)的演進(jìn)模型；通過馬斯京根槽蓄曲線方程和河段水量平衡方程聯(lián)立推導(dǎo)水文物理模型；分別通過水文物理模型和演進(jìn)模型預(yù)測各河段的斷面流量；通過指標(biāo)評價模型在各河段的預(yù)測結(jié)果，并通過評價結(jié)果進(jìn)行各河段協(xié)同優(yōu)化智能演進(jìn)。本發(fā)明通過水文物理機(jī)制引導(dǎo)約束深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型建立，將水文物理模型與深度學(xué)習(xí)算法模型有機(jī)融合，提出一種高性能、高精度的河道流量演進(jìn)方法。綜合應(yīng)用物理模型和數(shù)學(xué)模型更好地解決復(fù)雜系統(tǒng)的水文學(xué)問題，充分發(fā)揮了各自的優(yōu)勢，設(shè)計的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，只要數(shù)據(jù)量滿足要求，適用于各種類型河道的流量模擬預(yù)測，操作簡便、訓(xùn)練快捷、結(jié)果可靠，促進(jìn)水文力學(xué)仿真技術(shù)的發(fā)展和應(yīng)用。