1.本发明属于水库入流量预测技术领域，尤其涉及一种入库流量预测方法、设备与存储介质。
背景技术：2.水库入流量预测方法可分为过程驱动模型和数据驱动模型两大类，其中过程驱动模型是模拟径流的产汇流过程从而进行入流量预报，但不同时期的径流过程易受外界因素影响，且建模过程依赖经验公式，故存在较大应用限制。数据驱动模型无需考虑水文水动力机制，而是通过挖掘数据之间的潜在关系实现水位的模拟与预测。传统的水库入流量预测方法主要有资料分析法、水动力模型、神经网络模型、非线性时间序列模型和灰色系统模型等，其中，资料分析法难以准确量化多种因素影响造成的水库入流量变化；水动力模型的建立需要大量完善的实测水文资料，同时也存在计算复杂、耗时长等问题；浅层神经网络如bp神经网络模型存在容易陷入局部极小值、收敛速度慢等缺陷，并且对于长期水文资料时间序列需要大量的样本和时间来进行网络训练；支持向量回归模型虽然具有较高的拟合度，但也面临核函数、参数选择及网络结构修剪等问题。
3.随着深度学习方法的飞速发展，门控循环单元网络(gru)模型能够学习到输入与输出数据之间的长期依赖关系，克服时序信息丢失问题，但其学习训练样本的过程需要大量数据支撑，否则会减少网络输入数据有效学习的原始特征，导致水库入流量预测中的适用性降低。遗传算法(ga)是一种高效全局搜索并行优化算法，可运用选择、交叉和变异三种算子避免复杂优化问题中的精确建模和繁琐运算。在水库入流量预测技术领域，由于长期水文资料时间序列存在输入特征维度灾难问题，导致gru模型性能差且收敛速率慢，故在gru模型的基础上引入ga算法，解决维度灾难问题，确定ga-gru模型的最有深层架构、最优批尺寸、训练步、权值初始化函数以及正则化参数。
技术实现要素：4.本发明针对现有技术的不足，提供了一种入库流量预测方法、设备与存储介质。
5.本发明的一方面提供了一种入库流量预测方法，包括如下步骤：
6.1)目标范围划分：利用泰森多边形理论对目标水库周围雨量站站点进行范围划分，并对目标水库周围气象站站点筛选，确定目标水库范围内的目标雨量站和目标气象站。
7.2)多源数据采集：在目标水库范围内，预先采集水库的历史流量数据、雨量站的历史雨量数据、气象站的历史环境观测数据，包括气温、风向、风速。
8.3)负入库流量修正：考虑目标水库是否存在水力发电机组发电数据以及水库泄洪数据，对目标范围内无降雨时水库存在负入流量的情况进行数据修正，将水库入流量修正为考虑发电与泄洪情况后的数据集。
9.4)数据重采样：对采样频率各不相同的水库的历史流量数据集、雨量站的历史雨量数据集、气象站的历史环境观测数据集进行重新采样，考虑到预测目标为目标范围内的
水库入库流量，采样频率标准为入库流量数据集的采样频率。
10.5)滞后降雨数据集修正：以雨量站实测的历史雨量数据作为导致水库入库流量增加的特征数据进行统计分析，判断两者之间的滞后周期，从而构建考虑降雨量滞后性影响的历史雨量数据集。
11.6)数据归一化处理：对目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集进行归一化处理，得到归一化处理后的目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集。
12.7)神经网络模型构建：考虑重采样后对数据造成的误差，并且为克服预先采集数据可能存在的误差等问题，预先构建结合遗传算法(ga)和门控循环单元网络(gru)的人工神经网络结构，采用ga算法优化gru网络、选择最佳关键信息保存时间间隔以及隐含层神经元数目等模型结构因素。
13.8)神经网络模型训练：利用优化后的gru网络对归一化后的目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集进行分析，实现水库入库流量的可靠预测。
14.9)未来数据预测：采集目标范围内最新时段产生的水库的历史流量数据、雨量站的历史雨量数据、历史环境观测数据，对所采集的数据重复进行步骤8)五次(降低神经网络的不确定度)，将五次的输出结果取平均值作为目标范围在未来时间段内的水库入库流量预测值；
15.优选的，在所述步骤2)中，所述的流量数据是每个时间点测量一次的瞬时流量，雨量数据是相邻两个时间点之间的累计雨量，历史环境观测数据是目标范围内测段每天的观测数据。
16.优选的，在所述步骤5)中，所述的滞后降雨数据集修正具体步骤为：首先，依次读取各雨量站的连续降雨时间序列，并将其划分为独立的降雨场次，生成多个场次的降雨时间序列；其次，将提取的多个场次的降雨时间序列生成独立的降雨事件，以此作为雨量站实测的历史雨量数据导致水库入库流量增加的特征数据，将其与对应的水库入库流量数据进行统计分析，判断雨量站实测历史雨量数据与水库入库流量之间的滞后周期关系；最后，利用滑动窗口对历史雨量数据集时间序列和水库入库流量数据进行错位处理。
17.优选的，在所述步骤7)中，所述的神经网络模型中，遗传算子开始搜索空间之前对具有可能解的种群进行初始化，其中使用的染色体编码为二进制位；通过一个预设的适应度函数来判断解，选择最小的rmse作为最优解，利用ga寻得gru网络的最优参数，将优化后的gru网络用于目标水库入库流量的预测。
18.优选的，所述的门控循环单元网络(gru)包括更新门和重置门；所述重置门用于控制当前时刻候选状态的数据是否需要依赖上一时刻经所述步骤1)～6)处理后的数据集；所述更新门用于控制当前状态需要从历史状态中保留的数据数量，且需要从候选状态中提取的新数据数量。
19.本发明的第二方面提供了一种入库流量预测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述任一所述的入库流量预测方法。
20.本发明的第三方面提供了一种计算机可读存储介质，所述存储介质存储有计算机
程序，所述计算机程序用于执行上述任一所述的入库流量预测方法。
21.相对于现有技术，本发明产生的有益效果在于：本发明克服了长期水文资料时间序列存在的输入特征维度灾难，导致gru模型性能差且收敛速率慢问题，实现快速精准预测未来时段水库入流量，可在水库入流量预报中推广应用此方法，为人们工作生活的便利性提供可靠保障。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1是本发明提供的入库流量预测方法流程图；
24.图2是本发明提供的2个门结构原理图；
25.图3是本发明提供的入库流量预测方法的监测预警嵌入式移动终端示意图。
具体实施方式
26.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
27.本发明的主要技术构思：本发明利用泰森多边形理论确定目标雨量站和气象站，预先采集雨量站的历史雨量数据、水库的历史流量数据、气象站的历史环境观测数据，包括气温、风向、风速；对预先采集的数据进行负值修正和重采样，并考虑降雨量对入库流量的滞后周期影响；综合入库流量、雨量、环境参数三种数据信息源，利用归一化后的数据对基于遗传算法优化的门控循环单元网络模型进行训练，再向模型输入最新时段产生的多源数据以预测未来时间段内的水库入流量。
28.如图1所示，是本实施例提供的入库流量预测方法的流程图，可以但不限于包括如下步骤：
29.1)目标范围划分：利用泰森多边形理论对目标水库周围雨量站站点进行范围划分，并对目标水库周围气象站站点筛选，确定目标水库范围内的目标雨量站和目标气象站。
30.2)多源数据采集：在目标水库范围内，预先采集水库的历史流量数据、雨量站的历史雨量数据、气象站的历史环境观测数据，包括气温、风向、风速。
31.3)负入库流量修正：考虑目标水库是否存在水力发电机组发电数据以及水库泄洪数据，对目标范围内无降雨时水库存在负入流量的情况进行数据修正，将水库入流量修正为考虑发电与泄洪情况后的数据集。
32.4)数据重采样：对采样频率各不相同的水库的历史流量数据集、雨量站的历史雨量数据集、气象站的历史环境观测数据集进行重新采样，考虑到预测目标为目标范围内的水库入库流量，采样频率标准为入库流量数据集的采样频率。
33.5)滞后降雨数据集修正：以雨量站实测的历史雨量数据作为导致水库入库流量增加的特征数据进行统计分析，判断两者之间的滞后周期，从而构建考虑降雨量滞后性影响
的历史雨量数据集。
34.6)数据归一化处理：对目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集进行归一化处理，得到归一化处理后的目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集。
35.7)神经网络模型构建：考虑重采样后对数据造成的误差，并且为克服预先采集数据可能存在的误差等问题，预先构建结合遗传算法(ga)和门控循环单元网络(gru)的人工神经网络结构，采用ga算法优化gru网络、选择最佳关键信息保存时间间隔以及隐含层神经元数目等模型结构因素。
36.8)神经网络模型训练：利用优化后的gru网络对归一化后的目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集进行分析，实现水库入库流量的可靠预测。
37.9)未来数据预测：采集目标范围内最新时段产生的水库的历史流量数据、雨量站的历史雨量数据、历史环境观测数据，对所采集的数据重复进行步骤8)五次，将五次的输出结果取平均值作为目标范围在未来时间段内的水库入库流量预测值。
38.步骤2)所述的流量数据是每个时间点测量一次的瞬时流量，雨量数据是相邻两个时间点之间的累计雨量，历史环境观测数据是目标范围内测段每天的观测数据。
39.步骤5)所述的滞后降雨数据集修正具体步骤为：首先，依次读取各雨量站的连续降雨时间序列，并将其划分为独立的降雨场次，生成多个场次的降雨时间序列；其次，将提取的多个场次的降雨时间序列生成独立的降雨事件，以此作为雨量站实测的历史雨量数据导致水库入库流量增加的特征数据，将其与对应的水库入库流量数据进行统计分析，判断雨量站实测历史雨量数据与水库入库流量之间的滞后周期关系；最后，利用滑动窗口对历史雨量数据集时间序列和水库入库流量数据进行错位处理。
40.步骤7)所述的神经网络模型中，遗传算子开始搜索空间之前对具有可能解的种群进行初始化，其中使用的染色体编码为二进制位；通过一个预设的适应度函数来判断解，选择最小的rmse作为最优解，利用ga寻得gru网络的最优参数，将优化后的gru网络用于目标水库入库流量的预测。
41.如图2所示，是本实施例提供的2个门结构原理图。通过2个门结构可以增加或去除经所述步骤1)～6)处理后的数据集到门控循环单元网络的数据状态，亦即经所述步骤1)～6)处理后的数据集可以通过2个门结构被有选择地保存和遗忘。通过重置门来控制当前时刻候选状态的数据是否需要依赖上一时刻经所述步骤1)～6)处理后的数据集；通过更新门来控制当前状态需要从历史状态中保留的数据数量，且需要从候选状态中提取的新数据数量；通过此门控循环单元网络可以学习到经所述步骤1)～6)处理后的数据集中的长期依赖数据信息，挖掘经所述步骤1)～6)处理后的数据集的变化趋势，从而降低预测结果的误差。
42.具体地，x
t
存有当前时刻所输入的经所述步骤1)～6)处理后的数据集；历史状态h
t-1
存有过去积累的经所述步骤1)～6)处理后的数据集中会对当前时刻产生影响的数据；当前状态h
t
存有当前时刻积累的经所述步骤1)～6)处理后的数据集中会对下一时刻产生影响的数据；候选状态存有当前时刻处于候选状态的经所述步骤1)～6)处理后的数据集；更新门和重置门的作用如下：
43.1)更新门z
t
：表示当前时刻历史状态与候选状态对经所述步骤1)～6)处理后的数
据集的影响程度，用于控制输入与遗忘之间的平衡，即控制当前状态h
t
需要从历史状态h
t-1
中保留多少经所述步骤1)～6)处理后的数据集，以及需要从候选状态中提取多少经所述步骤1)～6)处理后的数据集。
44.2)重置门r
t
：表示当前时刻对候选状态经所述步骤1)～6)处理后的数据集的影响程度，用于控制候选状态对经所述步骤1)～6)处理后的数据集的计算是否依赖上一时刻的状态h
t-1
。
45.如图3所示，是本实施例提供的入库流量预测方法的监测预警嵌入式移动终端示意图。本实施例的入库流量监测预警嵌入式移动终端可实现如下功能：
46.1)实现在线预测功能：根据实时采集目标范围内的状态参数，包括雨量站的历史雨量数据、历史环境观测数据，调用ga-gru人工神经网络模型对入库流量进行预报，基于此还可实现尖峰流量、峰现时间、预报入库洪水等数据的实时精准预报，并通过已有的系统平台对预测和模型计算结果进行动态展示。
47.2)构建嵌入式移动终端：使用至少一个处理器和一个存储器，存储器内存储可被处理器执行的指令，指令运行时进行上述入库流量预测方法中1)～9)所述的所有步骤；处理器与存储器所构成得嵌入式移动终端为一种设备可读存储介质，设备包括但不限于个人电脑、无线手持设备、平板电脑、手机等。
48.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
技术特征：1.一种入库流量预测方法，其特征在于，包括如下步骤：1）目标范围划分：利用泰森多边形理论对目标水库周围雨量站站点进行范围划分，并对目标水库周围气象站站点筛选，确定目标水库范围内的目标雨量站和目标气象站；2）多源数据采集：在目标水库范围内，预先采集水库的历史流量数据、雨量站的历史雨量数据、气象站的历史环境观测数据，包括气温、风向、风速；3）负入库流量修正：考虑目标水库是否存在水力发电机组发电数据以及水库泄洪数据，对目标范围内无降雨时水库存在负入流量的情况进行数据修正，将水库入流量修正为考虑发电与泄洪情况后的数据集；4）数据重采样：对采样频率各不相同的水库的历史流量数据集、雨量站的历史雨量数据集、气象站的历史环境观测数据集进行重新采样，考虑到预测目标为目标范围内的水库入库流量，采样频率标准为入库流量数据集的采样频率；5）滞后降雨数据集修正：以雨量站实测的历史雨量数据作为导致水库入库流量增加的特征数据进行统计分析，判断两者之间的滞后周期，从而构建考虑降雨量滞后性影响的历史雨量数据集；6）数据归一化处理：对目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集进行归一化处理，得到归一化处理后的目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集；7）神经网络模型构建：考虑重采样后对数据造成的误差，并且为克服预先采集数据可能存在的误差等问题，预先构建结合遗传算法ga和门控循环单元网络gru的人工神经网络结构，采用ga算法优化gru网络、选择最佳关键信息保存时间间隔以及隐含层神经元数目；8）神经网络模型训练：利用优化后的gru网络对归一化后的目标范围内考虑滞后性影响的历史雨量数据集、历史环境观测数据以及水库的历史流量数据集进行分析，实现水库入库流量的可靠预测；9）未来数据预测：采集目标范围内最新时段产生的水库的历史流量数据、雨量站的历史雨量数据、历史环境观测数据，对所采集的数据重复进行步骤8）五次，将五次的输出结果取平均值作为目标范围在未来时间段内的水库入库流量预测值。2.根据权利要求1所述的入库流量预测方法，其特征在于，步骤2）所述流量数据是每个时间点测量一次的瞬时流量，雨量数据是相邻两个时间点之间的累计雨量，历史环境观测数据是目标范围内测段每天的观测数据。3.根据权利要求1所述的入库流量预测方法，其特征在于，步骤5）所述的滞后降雨数据集修正具体步骤为：首先，依次读取各雨量站的连续降雨时间序列，并将其划分为独立的降雨场次，生成多个场次的降雨时间序列；其次，将提取的多个场次的降雨时间序列生成独立的降雨事件，以此作为雨量站实测的历史雨量数据导致水库入库流量增加的特征数据，将其与对应的水库入库流量数据进行统计分析，判断雨量站实测历史雨量数据与水库入库流量之间的滞后周期关系；最后，利用滑动窗口对历史雨量数据集时间序列和水库入库流量数据进行错位处理。4.根据权利要求1所述的入库流量预测方法，其特征在于，步骤7）所述的神经网络模型中，遗传算子开始搜索空间之前对具有可能解的种群进行初始化，其中使用的染色体编码
为二进制位；通过一个预设的适应度函数来判断解，选择最小的rmse作为最优解，利用ga寻得gru网络的最优参数，将优化后的gru网络用于目标水库入库流量的预测。5.根据权利要求1或4所述的入库流量预测方法，其特征在于，所述的门控循环单元网络gru包括更新门和重置门；所述重置门用于控制当前时刻候选状态的数据是否需要依赖上一时刻经所述步骤1）～6）处理后的数据集；所述更新门用于控制当前状态需要从历史状态中保留的数据数量，且需要从候选状态中提取的新数据数量。6.一种入库流量预测设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述权利要求1-5任一所述的入库流量预测方法。7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5任一所述的入库流量预测方法。
技术总结本发明公开了一种入库流量预测方法、设备与存储介质。本发明利用泰森多边形理论确定目标雨量站和气象站，预先采集雨量站的历史雨量数据、水库的历史流量数据、气象站的历史环境观测数据，包括气温、风向、风速；对预先采集的数据进行负值修正和重采样，并考虑降雨量对入库流量的滞后周期影响；综合入库流量、雨量、环境参数三种数据信息源，利用归一化后的数据对基于遗传算法优化的门控循环单元网络模型进行训练，再向模型输入最新时段产生的多源数据以预测未来时间段内的水库入流量。本发明克服了长期水文资料时间序列存在的输入特征维度灾难，导致GRU模型性能差且收敛速率慢问题，实现快速精准预测未来时段水库入流量。现快速精准预测未来时段水库入流量。现快速精准预测未来时段水库入流量。
技术研发人员：林颖典 周海怡 焦鹏程
受保护的技术使用者：浙江大学
技术研发日：2022.03.14
技术公布日：2022/7/4
