大型水库叠梁门分层取水设施的下泄水温快速预测方法

摘要

本发明公开了大型水库叠梁门分层取水设施的下泄水温快速预测方法，包括以下步骤：S1、梳理影响水库下泄水温的主要因素；S2、初步搭建水库下泄水温预测模型框架；S3、形成数据集S1；S4、选出模型的输入因子集X2；S5、对数据集S2做标准化处理；S6、构建基于长短期记忆网络深度学习算法的大型水库叠梁门分层取水下泄水温预测模型；S7、将数据集S2分为训练样本集和测试样本集；S8、采用长短期记忆网络算法和Holdout训练方法训练并生成水库下泄水温预测模型；S9、筛选出最优隐层层数、训练批量、最大迭代次数和隐层节点数；S10、确定水库下泄水温预测模型，并得到下泄水温预测结果。

说明书

技术领域

本发明属于水库水温预测领域，具体涉及一种大型水库叠梁门分层取水设施的下泄水温快速预测方法。

背景技术

高坝大库建成蓄水后，坝上河道水位抬升形成水库，改变了原始河流水体的水动力和热动力特征，造成库区水体水温态势的改变，不仅影响水体的物理化学特性和生化反应速率，而且关系到水生生物的生长繁殖和水生态系统的结构。为减缓水库建成后水温变化对下游生态环境的影响，需要采取相应的改善措施，分层取水是减缓水温分层不利生态环境影响的重要工程措施。

2000年以来，我国有近20座大型水电工程采取叠梁门分层取水措施，以减缓高坝大库下泄低温水对水生生物和农作物的不利影响。目前这些工程主要依托叠梁门分层取水措施，开展水库生态调度，通过改变取水口位置和水库的径流过程，改变大坝下游水体的水动力和热动力特性，调节下泄水体的温度，从而减缓水电工程的不利生态环境影响。

但是，目前水库分层取水设施在实际应用中尚缺乏科学有效的指导。现阶段分层取水设施的运行多是基于水库水位条件或是电站设计阶段、环评阶段提出的运行方案来开展调度工作，尚存在以下问题：

(1)仅根据水位条件来开展分层取水调度，难以引取到目标水温层水体；

(2)电站设计阶段或者是环评阶段提出的运行方案，多是利用数值模拟模型针对典型年工况设计而成，与电站面临的实际工况场景差异较大；

(3)现有数值模拟模型计算耗时较长，构建模型构建专业性强，构建过程复杂，对使用人员的专业性要求比较高，因此难以根据水库面临的工况场景，快速给出分层取水设施的调度运行方案，不适合直接指导分层取水设施的运行管理。

发明内容

发明目的：为解决现有技术的不足，本发明提供了一种大型水库叠梁门分层取水设施的下泄水温快速预测方法。

技术方案：大型水库叠梁门分层取水设施的下泄水温快速预测方法，包括以下步骤：

S1、基于对水库水温结构形成物理机理的分析，梳理影响水库下泄水温的主要因素；

S2、将步骤S1得到的影响水库下泄水温的主要因素纳入模型的输入因子集X

S3、采集所述输入因子集X

S4、基于所述数据集S

S5、对数据集S

S6、以经过步骤S5标准化处理后的影响因子数据X

S7、将所述数据集S

S8、设定所述水温预测模型的隐层层数、训练批量、隐层节点数和最大迭代次数，结合训练样本集，采用长短期记忆网络算法和Holdout训练方法训练并生成水库下泄水温预测模型；

S9、利用测试样本集对所述水库下泄水温预测模型能进行测试，测试不同隐层层数、训练批量、隐层节点数和最大迭代次数的结构参数组合对所述水库下泄水温预测模型精度、收敛情况和计算耗时的影响，根据测试结果，在保证水库下泄水温预测模型收敛的基础上，重点考虑模型精度，结合模型计算耗时，筛选出最优隐层层数、训练批量、最大迭代次数和隐层节点数；

S10、根据所述最优隐层层数、最优训练批量、最优迭代次数和最优隐层节点数，确定水库下泄水温预测模型，并得到下泄水温预测结果。

进一步地，步骤S6中的LSTM计算模块包括一个输入门，一个记忆细胞，一个遗忘门和一个输出门，计算过程如下：

f

i

C

o

h

f

W

b

σ为Sigmoid激活函数；

tanh为双曲正切激活函数。

进一步地，步骤S1中影响水库下泄水温的主要因素包括水库调度方式、叠梁门运行方式、入流水温、气象条件。

进一步地，步骤S4包括：以下步骤：

S41、利用敏感性分析，计算各输入因子对输出因子Y的影响程度，将输入因子集分为高影响度输入因子集X

S42、高影响度输入因子集X

进一步地，步骤S7中将所述数据集S

基于二八定律，将数据集划分为训练样本和测试样本，其中，所述训练样本约占所述数据集总年份的80％，所述测试样本约占所述数据集中总年份的20％。

进一步地，步骤S9中测试结构参数组合对模型性能影响测试进一步包含以下步骤：

在统一设定其他参数不同的基础上，依次测试隐层数、训练批量、迭代次数和隐层节点数对模型精度、收敛情况和计算速度的影响，在保证模型收敛的基础上，重点考虑模型精度，结合模型计算耗时，筛选出最优隐层层数、训练批量、最大迭代次数和隐层节点数设定组合。

本发明公开的大型水库叠梁门分层取水设施的下泄水温快速预测方法，具有以下有益效果：

(1)该方法从水库水温结构形成机理出发，初步筛选了下泄水温影响因素，而后通过敏感性分析和逐步筛选，最终选定了模型的输入变量，通过两次优化筛选，在赋予AI模型以物理意义的同时，又从数理统计的角度对模型的输入变量进行把控，为模型预测精度的优化提供了双重保证；

(2)该方法基于深度学习领域中的LSTM计算模块从水库历史数据中学习水库下泄水温影响因子与下泄水温之间的映射关系，相比于传统反向传播神经网络(BP)、支持向量回归(SVR)等机器学习模型，深度学习模型具备更强的学习能力，能够基于对水库历史数据的学习，给出更为精确的下泄水温预测结果，改善预测效果；

(3)本发明提供的基于深度学习的大型水库叠梁门分层取水下泄水温预测模型，模型计算耗时较短，通过参数调整，一般能在几分钟内完成训练过程，在几秒钟之内完成预测过程，远远低于传统数值模拟模型，能够结合水库面临场景，快速给出水库下泄水温预测结果，保证了模型的实用性。

附图说明

图1为本发明公开的大型水库叠梁门分层取水设施的下泄水温快速预测方法的流程示意图；

图2a和图2b为本发明实施例提供的水库下泄水温预测模型的隐层层数与预测精度平均绝对误差MAE、计算耗时之间关系的示意图；

图3a和图3b为本发明实施例提供的水库下泄水温预测模型的训练批量与预测精度平均绝对误差MAE、计算耗时之间关系的示意图；

图4a和图4b为本发明实施例提供的水库下泄水温预测模型的隐层节点数与预测精度平均绝对误差MAE、计算耗时之间关系的示意图；

图5a和图5b为本发明实施例提供的水库下泄水温预测模型的迭代次数与预测精度平均绝对误差MAE、计算耗时之间关系的示意图；

图6为本发明实施例提供的水库下泄水温预测模型的预测结果与实测结果对比示意图。

具体实施方式：

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。以下结合附图和具体实施例对本发明作具体的介绍。

如图1所示，大型水库叠梁门分层取水设施的下泄水温快速预测方法，包括以下步骤：

S1、基于对水库水温结构形成物理机理的分析，梳理影响水库下泄水温的主要因素；

S2、将步骤S1得到的影响水库下泄水温的主要因素纳入模型的输入因子集X

S3、采集所述输入因子集X

S4、基于所述数据集S

S5、对数据集S

S6、以经过步骤S5标准化处理后的影响因子数据X

S7、将所述数据集S

S8、设定所述水温预测模型的隐层层数、训练批量、隐层节点数和最大迭代次数，结合训练样本集，采用长短期记忆网络算法和Holdout训练方法训练并生成水库下泄水温预测模型；

S9、利用测试样本集对所述水库下泄水温预测模型能进行测试，测试不同隐层层数、训练批量、隐层节点数和最大迭代次数的结构参数组合对所述水库下泄水温预测模型精度、收敛情况和计算耗时的影响，根据测试结果，在保证水库下泄水温预测模型收敛的基础上，重点考虑模型精度，结合模型计算耗时，筛选出最优隐层层数、训练批量、最大迭代次数和隐层节点数；

S10、根据所述最优隐层层数、最优训练批量、最优迭代次数和最优隐层节点数，确定水库下泄水温预测模型，并得到下泄水温预测结果。

进一步地，步骤S6中的LSTM计算模块包括一个输入门，一个记忆细胞，一个遗忘门和一个输出门，计算过程如下：

f

i

C

o

h

f

W

b

σ为Sigmoid激活函数；

tanh为双曲正切激活函数。

进一步地，步骤S1中影响水库下泄水温的主要因素包括水库调度方式、叠梁门运行方式、入流水温、气象条件。

进一步地，步骤S4包括：以下步骤：

S41、利用敏感性分析，计算各输入因子对输出因子Y的影响程度，将输入因子集分为高影响度输入因子集X

S42、高影响度输入因子集X

进一步地，步骤S7中将所述数据集S

基于二八定律，将数据集划分为训练样本和测试样本，其中，所述训练样本约占所述数据集总年份的80％，所述测试样本约占所述数据集中总年份的20％。

进一步地，步骤S9中测试结构参数组合对模型性能影响测试进一步包含以下步骤：

在统一设定其他参数不同的基础上，依次测试隐层数、训练批量、迭代次数和隐层节点数对模型精度、收敛情况和计算速度的影响，在保证模型收敛的基础上，重点考虑模型精度，结合模型计算耗时，筛选出最优隐层层数、训练批量、最大迭代次数和隐层节点数设定组合。

水库下泄水温预测模型的计算精度的评价指标采用平均绝对误差(MAE)，计算公式按式(1)计算得到：

其中，隐层层数对模型精度和计算耗时的影响如附图2a和图2b所示，随着隐层层数的增加，模型精度呈现出先增加后减小的趋势，在隐层层数等于5时，模型平均精度达到最高；模型的训练耗时随着隐层层数的增加呈逐渐上升趋势；

训练批量对模型精度和计算耗时的影响如附图3a和图3b所示，训练批量较小时，模型容易发散，同时随着训练批量值的增大，模型收敛所需的迭代次数增多；结合训练耗时测试结果，随着批量值的增加，模型的训练耗时逐渐降低，综合考虑两项因素，批量值为64，时模型易于收敛，且计算耗时相对较低；

隐层节点数对模型精度和计算耗时的影响如附图4a和图4b所示，随着隐层节点数的增加模型的平均误差呈现出逐渐下降趋势，根据本次测试结果隐层节点数为38时，模型的平均误差相对最低；模型的训练耗时随着隐层节点数的增加呈逐渐上升趋势；

迭代次数对模型精度和计算耗时的影响如附图5a和图5b所示，随着迭代次数的增加，模型评价误差逐渐降低，迭代次数高于300后，模型精度逐渐趋于稳定，根据本次测试结果，迭代次数为500时，模型的预测精度相对最高；模型的计算耗时随迭代次数增加呈逐渐上升趋势；

根据测试结果，最终确定最优隐层层数为5、最优训练批量为64、最大迭代次数为500、最优隐层节点数为38；

步骤S10中，预测结果如图6所示，模型的预测误差0.385℃，训练耗时为5.4min，预测耗时为4.2s。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。