申请/专利权人：河海大学;长江水利委员会水文局;水利部信息中心(水利部水文水资源监测预报中心)

申请日：2024-01-12

公开（公告）日：2024-03-29

公开（公告）号：CN117574778B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/23213

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明公开一种基于机器学习的相似场次洪水模式库构建方法，先采用预置的场次洪水分割规则及滑动窗口技术对流量或水位时间序列进行自动分割,生成场次洪水集合F；然后提取各场次洪水过程的洪峰历时FT、峰值流量MF等特征信息并构建洪水特征数据库；定义场次洪水过程中各特征信息间的相似性度量，并融合各特征距离度量得到场次降水过程的综合距离度量，实现相似场次洪水过程的搜索；采用基于DBI指标的K‑means算法对相似场次洪水模式进行聚类，并以此为基础构建洪水模式库。本发明能够解决现有技术方案中场次洪水过程特征表达及相似性度量方法不足等问题。

主权项：1.一种基于机器学习的相似场次洪水模式库构建方法，其特征在于，包括以下步骤：步骤S1、对研究流域内历史水文资料进行收集整理，形成长度为TS的连续型水文时间序列；步骤S2、设置场次洪水流量阈值δ和场次洪水分割规则R，然后采用滑动窗口对水文时间序列进行分割，生成研究时段内所有场次洪水集合F{FPrc1,FPrc2,……,FPrcw}；步骤S2.1、遍历水文时间序列X中的点，获取所有流量极大值LPcQmaxc，Tmaxc和流量极小值点SPdQmind，Tmind； 且； 且； m和n分别是水文时间序列X上极大值点数量和极小值点数量,，；步骤S2.2、提取第一个大于流量阈值的极大值点LPlQmaxl，Tmaxl作为场次洪水过程FPrc1的候选最大洪峰点，记为MFP1Qmaxl,Tmaxl，l表示第l个极大值点，，根据洪水过程的物理含义，将其前一个极小值点SPr-1Qminr-1,Tminr-1作为FPrc1过程的起涨点，记作BFP1Qminr-1,Tminr-1，count+1；并判断其后一个极小值点和阈值间的关系；步骤S2.3、若极小值点SPrQminr，Tminr满足，则以该点作为场次洪水过程FPrc1洪水终止位置，记作EFP1Qminr，Tminr，洪水过程FPrc1MFP1，BFP1，EFP1，MFS1提取完成，跳转至步骤S2.6；否则，跳转至步骤S2.4；步骤S2.4、极值点SPr满足，依据场次洪水分割规则R，若相邻极大值点LPl和LPl+1满足Tmaxl+1-TmaxlΔT且Qmaxl+1-QmaxlΔQ，将Tminr-1~Tmaxl+1对应的序列并入场次洪水过程FPrc1，count+1，并将LPl和LPl+1中流量较大者作为FPrc1的洪峰点，即MFP1maxQmaxl,Qmaxl+1,TMmaxQmaxl,Qmaxl+1，跳转至步骤S2.3判定下一极小值点；否则，跳转至步骤S2.5；步骤S2.5、若相邻极大值点LPl和LPl+1不满足Tmaxl+1-TmaxlΔT或Qmaxl+1-QmaxlΔQ，则提取LPl和LPl+1间的极小值点SPh（hr），以其作为第一个场次洪水过程FPrc1的终点，洪水过程FPrc1MFP1，BFP1，EFP1，MFS1提取完成；同时，以SPh作为下一个场次洪水的起点，LPl+1作为下一个场次洪水的候选最大洪峰点，count=1，跳转至步骤S2.3继续判断下一极小值点；步骤S2.6、第j场次洪水过程FPrcd划分结束后，重新获取剩余序列上第一个大于正常水位阈值的极值点，然后采用上述步骤S2.2~S2.5判断该场次洪水的起止位置，此处；直至遍历完水位时间序列X并得到所有的场次洪水过程FPrc1~FPrcw；最终，所得第j场场次洪水过程表示为FPrcjMFPj、BFPj、EFPj、MFSj；其中，w为水文时间序列X数量中的总洪水场次数量，FPrcj示第j场洪水过程，；通过分割后的场次洪水FPrcj表示为：FPrcjQMFPj、TBFPj、TEFPj、MFSj； Q MFPj 、T BFPj 、T EFPj 、MFS j 分别表示场次洪水FPrcj的最大流量、洪水的起始时间、洪水的终止时间和峰型；场次洪水分割规则R包括相邻波峰波谷之间的时间差阈值ΔT、相邻波峰波谷之间的流量差阈值ΔQ，使用count记录洪水过程的峰值个数，count初始为0；步骤S3、根据分割后的场次洪水FPrcj，提取场次洪水过程FPrcj的9个特征，依次包括洪峰历时FT、峰值流量MF、峰前1日流量TF1PP、峰后1日流量TF1AP、峰前3日流量TF3PP、峰后3日流量TF3AP、涨水时长RT、涨水斜率RS和峰型N，然后构建场次洪水过程FPrcj的特征向量{FTj、MFj、TF1PPj、TF1APj、TF3PPj、TF3APj、RTj、RSj、Nj}存入场次洪水过程特征数据库；上述特征向量{FTj、MFj、TF1PPj、TF1APj、TF3PPj、TF3APj、RTj、RSj、Nj}计算公式如下： ； ； ； ； ； ； ； ; ； T BFPj 表示洪峰开始上涨时间，TEFPj表示洪峰结束时间；TMFPj表示场次洪水过程FProcj洪峰最大流量对应时刻，QMFPj表示TMFPj时刻对应的最大流量值；Qt表示t时刻流量，t单位为小时；表示最大流量出现时刻至最大流量值出现后24小时内所有逐小时流量累计之和，表示最大流量值出现前24小时到最大流量出现时刻所有逐小时流量；表示最大流量出现时刻至最大流量值出现后24小时内所有逐小时流量；表示最大流量值出现前72小时到最大流量出现时刻所有逐小时流量，表示最大流量出现时刻至最大流量值出现后72小时内所有逐小时流量；TBFPj表示洪峰开始上涨时刻，QBFPj表示洪峰起涨时的流量；MFSj表示场次洪水过程中包含的极大值点数量，即包含的洪峰个数；步骤S4、对步骤S3所得场次洪水过程特征数据库中的场次洪水过程FPrcj的特征向量{FTj、MFj、TF1PPj、TF1APj、TF3PPj、TF3APj、RTj、RSj、Nj}进行z-score标准化处理，对不同场次洪水过程FPrca和FPrcb之间对应的特征向量进行相似距离度量，计算公式为： ;上式中Di表示两个场次洪水FPrca和FPrcb之间9个特征向量中第i个向量间的距离度量，；；;步骤S5、采用基于DBI指标的K-means算法对相似场次洪水模式进行聚类，并以聚类结果为基础构建洪水模式库。

全文数据：

权利要求：

百度查询： 河海大学;长江水利委员会水文局;水利部信息中心(水利部水文水资源监测预报中心) 一种基于机器学习的相似场次洪水模式库构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD