一种物理机制协同深度学习算法的河道流量演进方法及系统与流程

本发明涉及河道流量演进，更具体的说是涉及一种物理机制协同深度学习算法的河道流量演进方法及系统。

背景技术：

1、河道流量是单位时间内通过河道某一过水断面的水体体积，是水文循环的重要表征指标和水量平衡的基本组成要素。河道流量演进是来水过程、引水过程、退水过程、水库调度过程的协调点，流量演进推演是径流预测与洪水预报等工作的基础与核心，演进过程受区间入流、区间出流、河道形态、河床属性、地下水位、水文气象等多方面因素的影响。河道流量演进的基本水文物理原理如图1所示。

2、目前，对于河道流量演进所采用的方法，主要为基于物理机制的水文学法与水动力学法，两种方法分别利用了水量平衡原理及动量动能定理。物理模型依据物理理论和实验数据建立，通过对系统的物理结构和特性进行建模，直观地反映了真实系统的性质和特征，具有可解释性强、结构逻辑清晰的优点，应用相对较为成熟广泛。但传统的物理模型始终存在一些局限性：

3、(1)物理模型结构复杂，模型建立通常需要大量的参数，这些参数的确定需要依赖于众多实测数据，包括水文资料、气象资料、地形资料、河网资料、河道特征资料、地下含水层资料等，常常因缺少资料、数据不准确或数据不匹配等问题，导致无法建立完整、完善的模型，建模工作量大、难度高、周期长。

4、(2)物理模型受限于实际系统的物理结构和特性，可能难以对复杂系统进行准确的描述，即使表面上构建了完整的物理模型，模拟结果与实际物理过程可能有较大出入，参数的不确定性也无法保证有较好的拟合效果，模型精度有待提高。

5、随着人类社会经济的快速发展，气候与环境的演变机理越来越复杂，传统的水文物理模型已经难以满足精细化管理和精准化调度的需求，物理模型自身的局限性也成为其服务于社会管理工作的掣肘。与此同时，深度学习正在成为新一轮科技革命和产业变革的重要驱动力量，近年来深度学习被广泛应用于数据挖掘、语音识别、机器翻译和机器人技术等领域，展现了其在处理序列数据方面的强大能力，考虑物理约束建模是目前的研究热点与难点。深度学习算法模型借助其强大的特征表示和学习能力，已经日益成为求解物理方程、探寻物理规律、推演物理世界的技术支撑。

6、因此，如何提出一种物理机制协同深度学习算法的河道流量演进方法及系统，通过水文物理机制引导约束深度学习神经网络模型建立，将水文物理模型与深度学习算法模型有机融合，综合应用物理模型和数学模型更好地解决复杂系统的水文学问题是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种物理机制协同深度学习算法的河道流量演进方法及系统，通过水文物理机制引导约束深度学习神经网络模型建立，将水文物理模型与深度学习算法模型有机融合，综合应用物理模型和数学模型更好地解决复杂系统的水文学问题，为了实现上述目的，本发明采用如下技术方案：

2、一种物理机制协同深度学习算法的河道流量演进方法，包括：

3、进行河段的水文数据采集，构建基础数据集，并进行数据预处理；

4、通过卷积神经网络对预处理后的数据进行特征提取，并利用提取的特征构建基于长短期记忆神经网络的演进模型；

5、通过马斯京根槽蓄曲线方程和河段水量平衡方程联立推导水文物理模型；

6、分别通过水文物理模型和演进模型预测各河段的断面流量；

7、通过指标评价模型在各河段的预测结果，并通过评价结果进行各河段协同优化智能演进。

8、可选的，所述进行河段的水文数据采集，构建基础数据集包括：

9、通过调研获取自然地理、水文气象、社会经济数据信息，通过对信息的整合与提取将调研资料转化为各类可读写的基础数据；

10、通过文献研究法、现场踏勘法、统计分析法和综合评价法对搜集到的数据形式进行识别，提取所需要的信息，将得到的数据进行核对与统一，定期开展数据的更新与维护管理，从而构建基础数据集。

11、可选的，所述进行数据预处理包括：进行数据清洗，检查数据一致性、符合数据逻辑关系，通过插值、包络线约束和平均值代替方法处理缺失值、无效值、异常值数据，生成符合数据训练质量要求的数据。

12、可选的，所述通过马斯京根槽蓄曲线方程和河段水量平衡方程联立推导水文物理模型包括：

13、马斯京根槽蓄曲线方程：s＝kq′＝k(xi+(1-x)q)；

14、其中，x为入流和出流对槽蓄影响的权重因子，s为槽蓄量，k为槽蓄系数，q′为示储流量，i为上断面流量，q为下断面流量；

15、河段水量平衡方程：

16、其中，s1、s2分别为上时刻、下时刻槽蓄量，δt表示时间步长，i1、i2分别为上断面上时刻与下时刻的流量，q1、q2分别为下断面上时刻与下时刻的流量；

17、联立以上两式，权重因子x取0.5，考虑水流传播时间的影响，槽蓄系数k取值传播时间τ，并考虑区间来水、区间退水、区间引水、区间水损和区间不平衡水量参数，得到基于水文物理机制的流量演进方程。

18、可选的，所述流量演进方程为河道中某一断面的流量计算公式：

19、

20、其中，ijt表示j断面t时刻流量，ij-1，t为j-1断面t时刻流量，ij-1，t-1为j-1断面t-1时刻流量，τj为从j-1至j断面的传播时间，δt表示时间步长，q区jt表示第j-1个节点到第j个节点间t时刻的区间入流，q退jt表示第j-1个节点到第j个节点间t时刻的退水量，q引jt表示第j-1个节点到第j个节点间t时刻的引水量，q损jt表示第j-1个节点到第j个节点间t时刻的损失量，q平j,t表示第j-1个节点到第j个节点间t时刻的不平衡水量。

21、可选的，所述演进模型预测各河段的断面流量包括：将河道各河段分为两种类型，分别为不包含水库的河段与包含水库的河段。

22、可选的，还包括：选取均方根误差和平均相对误差指标评价演进模型预测结果；

23、

24、其中，xi为实测值，yi为预测值，n为实测值数量；rmse为均方根误差；

25、

26、其中，xi为实测值，yi为预测值，n为实测值数量；mre为平均相对误差。

27、可选的，还包括，根据评价指标进行演进模型参数筛选：

28、将各河段训练次数定为m次，训练结束后计算m个样本的rmse与mre评价指标，首先选取m个样本中rmse评价指标的前n位作为候选样本，其次从候选样本中选取mre表现最优的样本，将其存储为河段最终的演进模型参数信息文件。

29、可选的，所述演进模型预测各河段的断面流量包括：

30、通过演进模型按照上下游顺序将各河段模型串联模拟，得到河道流量演进过程；

31、每个河段均为单独的模型单元，均存储有相应的模型参数文件，按照上下游顺序将各河段模型串联模拟；

32、模拟预测前，按照河段类型的输入项清单将相应数据输入演进模型，首先输入第一河段的数据，通过python语言调用第一河段的模型参数文件，将模拟得到第一河段下断面的流量过程，并以此作为第二河段上断面的流量过程，以此类推，直至得到下游每个断面的流量过程。

33、可选的，一种物理机制协同深度学习算法的河道流量演进系统，包括：

34、采集处理模块：用于进行河段的水文数据采集，构建基础数据集，并进行数据预处理；

35、模型构建模块：用于通过卷积神经网络对预处理后的数据进行特征提取，并利用提取的特征构建基于长短期记忆神经网络的演进模型；

36、模型推导模块：用于通过马斯京根槽蓄曲线方程和河段水量平衡方程联立推导水文物理模型；

37、预测模块：用于分别通过水文物理模型和演进模型预测各河段的断面流量；

38、演进模块：用于通过指标评价模型在各河段的预测结果，并通过评价结果进行各河段协同优化智能演进。

39、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种物理机制协同深度学习算法的河道流量演进方法及系统，具有如下有益效果：

40、本发明提出了一种物理机制协同深度学习算法的河道流量演进方法，包括：进行河段的水文数据采集，构建基础数据集，并进行数据预处理；通过卷积神经网络对预处理后的数据进行特征提取，并利用提取的特征构建基于长短期记忆神经网络的演进模型；通过马斯京根槽蓄曲线方程和河段水量平衡方程联立推导水文物理模型；分别通过水文物理模型和演进模型预测各河段的断面流量；通过指标评价模型在各河段的预测结果，并通过评价结果进行各河段协同优化智能演进。本发明通过水文物理机制引导约束深度学习神经网络模型建立，将水文物理模型与深度学习算法模型有机融合，提出一种高性能、高精度的河道流量演进方法。综合应用物理模型和数学模型更好地解决复杂系统的水文学问题，充分发挥了各自的优势，设计的神经网络模型结构，只要数据量满足要求，适用于各种类型河道的流量模拟预测，操作简便、训练快捷、结果可靠，促进水文力学仿真技术的发展和应用。