申请/专利权人：天津大学

申请日：2024-03-06

公开（公告）日：2024-06-28

公开（公告）号：CN118261078A

主分类号：G06F30/28

分类号：G06F30/28;G06F30/27;G06Q50/26;G06Q10/04;G06Q50/06;G06F17/10;G06F3/044;G06N3/048;G06F113/08;G06F119/14;G06F111/10

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明公开了一种深度学习强化下的深水水库溶解氧数据同化预报方法，首先基于地形数据、气象条件、出入流条件构建深水水库溶解氧物理模型，采用集合卡尔曼滤波算法针对物理模型构建数据同化系统并预报溶解氧浓度；构建以气象条件、出入流条件和水库各深度溶解氧浓度为输入输出关系的深度学习模型，预报溶解氧浓度；采用多元线性回归方法，将数据同化系统预报结果和深度学习模型的预报结果融合，实现深水水库短期多深度溶解氧浓度预报；本发明利用数据驱动模型弥补了物理模型在模型表达上的缺陷，利用物理模型增强了数据驱动模型预报结果的可解释性，融合方法提升了水库溶解氧浓度预报精度。

主权项：1.一种深度学习强化下的深水水库溶解氧数据同化预报方法，其特征在于：它包括如下步骤：S1、根据研究区的气象、地形、水位、流量以及水质信息构建二维水动力水质模型；S2、基于S1步骤构建的二维水动力水质模型，模拟出t时刻的溶解氧浓度；S3、采用二维水动力水质模型进行预报时，对根据S1步骤中的气象、流量边界条件施加高斯噪声；运行根据本步骤设置的共有集合数个带有高斯噪声的模型，得到相应的t时刻的溶解氧浓度模拟值；对t时刻溶解氧浓度观测值和模拟值分别施加高斯噪声，并对t时刻溶解氧敏感参数施加高斯噪声；S4、根据步骤S3得到的带有高斯噪声的溶解氧浓度模拟值和溶解氧浓度观测值，计算模型的观测误差协方差矩阵、状态误差协方差矩阵，随后计算卡尔曼增益矩阵并更新预测矩阵，最后计算t时刻的溶解氧浓度同化值及t时刻二维水动力水质模型溶解氧敏感参数的分析值；S5、将S4步骤得到的t时刻的溶解氧浓度同化值及二维水动力水质模型溶解氧敏感参数的分析值输入到二维水动力水质模型中，输入t+1时刻的气象条件和边界条件，得到t+1时刻溶解氧浓度预报值；S6、利用水库相应深度溶解氧浓度、出入流条件、气象条件等数据构建深度学习模型并训练；S7、采用深度学习模型进行预报时，将t时刻水库溶解氧浓度、风速、入流流量、入流水质、出流流量等数据输入上述深度学习模型，得到t+1时刻溶解氧浓度模拟值；S8、重复S5～S7过程可以得到多个时刻溶解氧数据同化和深度学习预报值，结合相应时刻溶解氧浓度观测值，应用多元线性回归，计算得到拟合公式，根据该公式预报下一时刻溶解氧浓度；S9、重复S5～S8步骤，不断更新多元线性回归的拟合公式，更新下一时刻的预报值。

全文数据：

权利要求：

百度查询： 天津大学 一种深度学习强化下的深水水库溶解氧数据同化预报方法

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