【CN109840587A】基于深度学习的水库入库流量预测方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010312062.1(22)申请日 2020.04.20(71)申请人 中国长江三峡集团有限公司地址 100038 北京市海淀区玉渊潭南路1号(72)发明人 纪国良　周曼　胡挺　刘涛　张松　肖扬帆　胡腾腾　(74)专利代理机构 宜昌市三峡专利事务所42103代理人 成钢(51)Int.Cl.G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)G06Q 10/04(2012.01)G06Q 50/06(2012.01)(54)发明名称基于循环神经网络和关注机制的水库水位预测方法(57)摘要本发明属于水库运行控制领域，公开了基于循环神经网络和关注机制的水库水位预测方法，包括：收集流量、水位数据，形成数据集，并对数据集分类；对数据集的水位、流量数值进行变换，得到标准数据集；构建带有关注机制的循环神经网络模型，定义目标函数；选择标准数据集的数据对循环神经网络模型进行训练；对训练的循环神经网络模型进行验证和测试；利用训练好的循环神经网络模型预测关键断面的水位。

本发明的模型的计算精度既能够随着水库运行数据的积累不断提高，又对边界条件准确性的依赖低，能有效克服传统水动力学方法计算精度不高的问题；水库汛期调度中，可精准地预测关键断面水位，为大型水库或梯级水库的防洪、兴利调度决策提供技术支撑。

权利要求书1页 说明书5页 附图4页CN 111553394 A 2020.08.18C N 111553394A1.基于循环神经网络和关注机制的水库水位预测方法，其特征在于，包括以下步骤，步骤1：收集水库出入库流量和坝前及关键断面水位的历史数据，形成数据集，并对数据集进行分类；步骤2：分别对每类数据集的水位、流量数值进行变换，得到标准数据集，将每类的标准数据集分为训练集、验证集和测试集；步骤3：针对每类数据集，分别构建带有关注机制的循环神经网络模型，定义目标函数；步骤3.1：建立循环神经网络模型，以水库出入库流量和坝前水位作为神经网络模型的输入，神经网络模型的输出为预测的关键断面水位；步骤3.2：基于循环神经网络模型，定义优化目标函数，优化目标为预测水位与实测水位的误差最小；步骤4：选择步骤2中的训练集训练循环神经网络模型，对步骤3的目标函数进行求解，得到优化后的模型参数；步骤5：选择步骤2中的验证集对循环神经网络模型进行验证，若验证的预测效果不合格，则调整模型的超参数，重新对模型进行训练，执行步骤4；若通过验证，则执行步骤6；步骤6：选择步骤2中的测试集对循环神经网络模型进行测试，并记录测试结果，评价模型；步骤7：将实时出入库流量和坝前水位作为模型的输入，得到模型的输出即预报的关键断面的水位。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910109904.0(22)申请日 2019.02.11(71)申请人 南方电网科学研究院有限责任公司地址 510663 广东省广州市萝岗区科学城科翔路11号J1栋3、4、5楼及J3栋3楼申请人 中国南方电网有限责任公司(72)发明人 赵云　肖勇　何恒靖　钱斌　周密　郑楷洪　(74)专利代理机构 北京集佳知识产权代理有限公司 11227代理人 罗满(51)Int.Cl.G06Q 10/04(2012.01)G06Q 50/06(2012.01)G06N 3/08(2006.01)G06N 3/04(2006.01)(54)发明名称一种基于深度学习的用电量预测方法、装置及设备(57)摘要本发明公开了一种基于深度学习的用电量预测方法，采用包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型为预测模型，增强了序列到序列seq2seq模型的可学习型和表达性，利用包括历史时间序列和外源性特征数据的历史用电数据训练得到该预测模型，使预测模型除了时间特征外，还对外源性特征进行学习和表达，增加了对影响用电量趋势的多个因素的约束，从而得到了更贴近用电量实际状况的预测模型，通过该预测模型对用电量进行预测，得到了更为准确的用电量预测结果。

本发明还提供一种基于深度学习的用电量预测装置及设备，具有上述有益效果。

权利要求书2页 说明书9页 附图5页CN 109685290 A 2019.04.26C N 109685290A权　利　要　求　书1/2页CN 109685290 A1.一种基于深度学习的用电量预测方法，其特征在于，包括：预先根据历史用电数据训练预测模型；接收输入的电量预测查询时间和外源性特征参数；将所述电量预测查询时间和所述外源性特征参数输入所述预测模型，输出用电量预测值；其中，所述历史用电数据包括历史时间序列和所述历史时间序列的外源性特征数据，所述预测模型具体为包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型。

水利水电工程中基于深度学习的水位预测算法研究随着经济的发展和社会的进步，水利水电工程在我国经济建设中的地位日益重要。

而水位预测作为水利水电工程的重要组成部分，其准确性直接关系到工程的安全性和经济效益。

然而，水位预测的准确性一直是水利水电工程实践中较为困难的问题之一。

传统的水位预测方法通常基于经验公式或物理模型，但这些方法需要大量的先验知识和实验数据，且其精确度和稳定性在很大程度上依赖于经验和实验分析的准确性。

而随着深度学习技术的发展，基于深度学习的水位预测算法逐渐成为一种新的解决方法，其能够通过自动学习神经网络中的“知识”来预测水位，有效解决了传统方法所存在的一些问题。

深度学习技术中最为基础的是神经网络。

在水位预测问题中，神经网络的输入层通常包含一到多个实时监测数据，如水位高度、流量、降雨量等。

随着网络的深入学习，神经网络的隐层中逐渐提取出相关的特征，并最终输出预测结果。

基于深度学习的水位预测算法通常可以分为两类，一类是基于时间序列的预测方法（如LSTM），另一类是基于机器学习的半监督方法（如GAN）。

时间序列的预测方法通常要求输入数据具有一定时序性质，比如一定时间段内的水位记录。

这种方法基于基础的RNN（循环神经网络）和其改进品LSTM（长短时记忆网络），通过捕捉输入数据和时序信息之间的内在关系，实现准确预测目标数据的目的。

半监督的机器学习方法通常依托于GAN（生成式对抗网络）和VAE（变分自编码器）等深度学习技术，通过无监督学习的方式预测目标数据。

由于每个水利水电工程的情况不同，基于深度学习的水位预测算法需要根据具体需求对应用场景进行优化和改进，实现最优的结果。

浅层的神经网络只能对简单的复杂关系进行建模，难以处理具有深层次复杂关系的数据。

而深度学习技术则更为适合处理这种类型的数据。

当然，深度学习技术并不能解决所有水位预测的难题。

由于深度学习基于大量数据训练的特性，其对于缺乏数据的工程项目并不适用。

水库实时入库流量的推算研究钟华昌（大唐岩滩水力发电厂，广西岩滩530811）摘要：实时入库流量是水库调度重要参数，以往由于条件的限制，计算结果偏差较大，通过改进实时入库流量计算公式的使用方法，并运用线实时校正技术，使实时入库流量计算精度基本达到95%左右，解决了实时入库流量计算结果不能直接利用这一难题。

关键词：入库流量实时计算校正1 前言实时入库流量计算是水库调度频繁而重要的工作，其准确与否将影响到水库的安全经济运行。

由于受发电、泄流和库水位波动等因素的影响，实时入库流量的计算结果偏差较大，过程线也大多呈“锯齿”状剧烈波动，甚至出现负值，计算结果严重失真，需要进行人工校正后才能加以利用。

近年来随着水情自动测报系统普及，许多水电厂实现了电脑化水务管理，但是，实时入库流量的推求还是原来手工作业的“翻版”，这种“硬拷贝”式的处理使计算精度并未得到实质性的提高，这种计算结果同样不能直接利用，制约了水库实时优化调度等水库调度功能的实现，以及其他实用功能的开发。

2 实时入库流量在水库调度中的作用实时入库流量是指导水库运行最直接、最有效的指标之一。

水库实时优化调度、实时洪水调度以及实时洪水预报等都需要准确的实时入库流量作为支持，特别是在水库调度自动化程度日益提高的今天，实时入库流量计算精度偏低，不但限制了一些水调自动化功能的实用性，也影响电网端对电厂实时水情的采集和使用。

可以说，实时入库流量的准确推求，不但能够促进水库的安全经济运行，还能够促进电网的优化调度，有利于实现水资源的优化配置，促进国民经济可持续发展。

3 入库流量的特性实时入库流量是河川径流的一种特殊状态，它的发生、发展有其特定的规律，并表现出其相应的独特个性，主要有：（1）时变性：受自然或人为因素的影响，实时入库流量随时间而不断改变。

（2）连续性：其变化总是连续不断的，并遵循质量守恒定律。

（3）非线性和非恒定性：与自然河道水流一样，入库流量的变化不是均匀的、线性的。

一种水库监测系统的出入库流量计算方法与流程下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。

文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!水库监测系统中的出入库流量计算方法与流程解析水库作为水资源的重要调节器，其出入库流量的准确计算对于水资源管理和防洪减灾具有重要意义。

(10)申请公布号 (43)申请公布日 2014.09.03C N 104021307A (21)申请号 201410279797.3(22)申请日 2014.06.20G06F 19/00(2011.01)G01C 13/00(2006.01)(71)申请人武汉大学地址430072 湖北省武汉市武昌区珞珈山武汉大学(72)发明人刘攀 邓超 李泽君 张旺(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙) 42222代理人胡艳(54)发明名称一种反推水库入库流量过程的测算方法(57)摘要本发明公开了一种反演水库入库流量过程的测算方法，包括步骤：步骤1，观测水库坝前水位获得水库观测水位信息，收集水库出库流量数据；步骤2，考虑水库入库流量过程连续性，建立优化目标函数；步骤3，采用拉格朗日法对优化目标函数中反推水库容量求偏导，获得反推水库入库流量的解析公式；步骤4，采用解析公式获得反推水库库容，根据反推水库库容反推获得水库入库流量。

本发明能保证水库入库流量过程光滑，避免流量出现负值或较大波动。

(51)Int.Cl.权利要求书1页 说明书5页 附图1页(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页 说明书5页 附图1页(10)申请公布号CN 104021307 A1/1页1.一种反推水库入库流量过程的测算方法，其特征是，包括步骤：步骤1，观测水库坝前水位获得水库观测水位信息，收集水库出库流量数据；步骤2，考虑水库入库流量过程连续性，建立优化目标函数：其中，I i+1、I i 分别为第i+1、i 时段的水库入库水量；α为权重系数，根据经验取值，取值范围为[0,1]；V i+1＝V i +I i -R i ，为反推水库容量，R i 为第i 时段的水库出流水量，根据水库出库流量数据获得；V i 0＝f(Z i )，Z i 为水库观测水位，函数f(*)表示水位-库容关系函数；n 表示水库入流序列长度；步骤3，根据V i+1＝V i +I i -R i 将优化目标函数中的水库入库水量变换为反推水库容量，采用拉格朗日法对变换后的优化目标函数中反推水库容量求偏导，获得反推水库入库流量的解析公式；步骤4，采用解析公式获得反推水库库容，根据V i+1＝V i +I i -R i 获得水库入库流量。

(10)申请公布号 (43)申请公布日 (21)申请号 201510646535.0(22)申请日 2015.10.08G06F 19/00(2011.01)(71)申请人中国长江电力股份有限公司地址443002 湖北省宜昌市西陵区西坝建设路1号(72)发明人杨旭 程建 赵云发 刘志武(74)专利代理机构宜昌市三峡专利事务所42103代理人吴思高(54)发明名称一种多因子水库入库流量短期预报评价方法(57)摘要一种多因子水库入库流量短期预报评价方法，包括流量预报步骤，确定工作流程中与人员、数据、模型、环境有关的因素；对各种因素进行分类；根据短期预报误差数据表与生成的数据表进行连接查询；对形成的数据表，进行主成份分析，找出影响预报的因素；利用贝叶斯先验概率，制订评价基线。

本发明一种多因子水库入库流量短期预报评价方法，可以有效提高了水库调度精细化、标准化运行的水平，实现动态可观评价预报工作水平。

(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页 说明书8页 附图4页CN 105224801 A 2016.01.06C N 105224801A1.一种多因子水库入库流量短期预报评价方法，其特征在于包括以下步骤：步骤1：气象预报人员根据第三方雨量数值预报结果，制作出分区域的12-72小时预见期的流域降水预报；水库入库流量预报人员通过运行多个数学模型，数学模型的输入为：2个以上的实况雨量信息，2个以上的上游水位信息，2个以上的预报面雨量信息，完成流量预报；步骤2：确定工作流程中与人员、数据、模型、环境有关的因素：1)、人员因素包括：气象预报员，流量预报员和会商决策者，以及他们的年龄、性别、学历、职位、工龄、以及在预报过程中的角色；2)、数据因素包括：2种或2种以上的实况降水数据，2种及2种以上的预报降水数据，1种实况流量数据，以及数据的发布单位，数据是否经过人工校正，数据是否参考，预报员在预报时对数据的主观评价0-5分，5分为最高分；3)、模型因素包括：2种或2种以上的流量预报模型，模型软件的名称，模型参数的研制单位，模型的分类，模型的计算时间，模型在本次过程中是否为主要参考，预报员预报时对模型结果的主观评价0-5分，5分为最高分；4)、环境因素包括：时间，依据时间，流量级，是否会商，次日是否有降雨，是否在库区有预报降雨；步骤3：对步骤2中各种因素进行分类：1)、静态数据：如人员年龄、工龄、模型名称等数据；2)、人工输入动态数据：如数据是否参考，模型是否参考，预报员对数据和模型的主观评价，是否会商等数据；3)、自动记录动态数据：时间，模型计算时长，流量级等数据；确定以上数据通过自动和人工交互的方式，在每次预报过程后，都予以完全记录；步骤4：根据短期预报误差数据表与步骤3生成的数据表进行连接查询；步骤5：对步骤4形成的数据表，进行主成份分析，找出影响预报的因素；步骤6：进行分析，利用贝叶斯先验概率，制订评价基线。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910160106.0(22)申请日 2019.03.04(71)申请人 宁波市气象服务中心地址 315012 浙江省宁波市海曙区气象路118号10层(72)发明人 钱峥　姚金良　(74)专利代理机构 杭州君度专利代理事务所(特殊普通合伙) 33240代理人 朱月芬(51)Int.Cl.G06Q 10/04(2012.01)G06Q 50/26(2012.01)G06N 3/08(2006.01)(54)发明名称一种基于样本学习的积涝水位预测方法(57)摘要本发明涉及涉及一种基于样本学习的积涝水位预测方法。

本发明方法主要包括三个部分：积涝站数据的预处理，面向积涝水位预测的深度神经网络回归模型的构建，以及面向积涝水位预测的深度神经网络回归模型的训练和实时预测。

本发明利用积涝站积累的历时水位和降雨量数据非线性关系,通过回归分析挖掘当前水位,前M分钟的水位和降雨量信息，以及k分钟内的降雨量，与K分钟后水位的非线性关系。

本方法无需构建各种具有物理意义的模型并进行参数率定，而是通过样本学习来获得模型参数。

实验结果显示本发明方法在测试样例中具有较低的均方误差。

权利要求书2页 说明书11页 附图2页CN 109978235 A 2019.07.05C N 109978235A1.一种基于样本学习的积涝水位预测方法，其特征在于利用对已有历时数据的学习来预测积涝水位,其主要包括如下三部分：积涝站数据的预处理，面向积涝水位预测的深度神经网络回归模型的构建，以及面向积涝水位预测的深度神经网络回归模型的训练和实时预测；所述的积涝站数据的预处理是将积涝站获得的历时降雨量和水位数据进行处理，转换为可用于学习和预测的标准数据；所述的面向积涝水位预测的深度神经网络回归模型的构建是基于给定城市区域的历时水位和降雨量数据以及预估的未来降雨量针对性地设计深度神经网络回归模型；所述的面向积涝水位预测的深度神经网络回归模型的训练和实时预测是指采用深度学习方法进行模型的训练，从而获得模型参数，并根据训练好的模型参数和实时输入数据进行实时预测的过程。

专利名称：一种基于深度学习的加密流量识别方法及电子装置专利类型：发明专利
发明人：郑超,石逢钊,崔一鸣,刘庆云
申请号：CN202010680117.4
申请日：20200715
公开号：CN112019500A
公开日：
20201201
专利内容由知识产权出版社提供
摘要：本发明提供一种基于深度学习的加密流量识别方法及电子装置，包括：收集网络中的若干TLS流，获取每一TLS流中的ClientHello报文整数序列、ServerHello报文整数序列、end‑entity certificate整数序列及前n个TLS应用数据报文组成的序列；提取ClientHello报文特征、ServerHello报文特征、end‑entity certificate特征及序列特征，计算若干TLS流的时间相关性，得到流特征；将流特征输入一加密流量分类器进行分类，根据加密流量分类器输出的各数据来源预测概率值，获取产生若干TLS流的数据来源。

本发明从原始的流量中提取特征，无需人工进行特征分析；结合了报文层次和流层次的特征，使得分类效果较好；使用浅层的网络结构，减小了分类时间，使得分类器适用于实时分类。

申请人：中国科学院信息工程研究所
地址：100093 北京市海淀区闵庄路甲89号
国籍：CN
代理机构：北京君尚知识产权代理有限公司
代理人：俞达成
更多信息请下载全文后查看。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910846384.1(22)申请日 2019.09.09(71)申请人 四川省水利科学研究院地址 610031 四川省成都市青羊区牧电路7号(72)发明人 陈曜　毕瑶　黎小东　谭小平　刘双美　罗茂盛　(74)专利代理机构 潍坊中润泰专利代理事务所(普通合伙) 37266代理人 田友亮(51)Int.Cl.G08B 21/10(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)G06N 20/10(2019.01)(54)发明名称一种基于深度学习的山洪预警方法(57)摘要本发明公开了一种基于深度学习的山洪预警方法，本发明采用具有LTSM功能的RNN模型，在模型算法中加入长短期记忆（LTSM）法可以有效解决RNN中梯度消失和梯度爆炸的问题，更有效的进行小流域或山洪区的预报，实现了可靠的山洪灾害预警预报，大大提高预报时间，模型只需关注输入数据，具有操作简便，运算速度快，便于移值于其它区域的特点，而且随着模型的实际应用，数据的不断积累，不需要人为进行二次调参，模型会主动对参数进行优化调整，使其应用更为简单方便。

权利要求书4页 说明书10页 附图1页CN 110459036 A 2019.11.15C N 110459036A1.一种基于深度学习的山洪预警方法，包括以下几个步骤：S1：确定预警对象：在GIS地图上勾绘出预警区域所在流域，确定流域内的山洪预警区及其预设的预警雨量或水位、布设的雨量和水位监测站点；S2：收集整编数据：收集预警区内雨量、水位站和区域蒸发量监测站、县域气象预警的历史资料，计算流域汇流时间；S3：监测站互相关性分析：将监测点按降雨和水位或流量分类，按照互相关系数公式分别计算某一站点同其同类站点的互相关系数，当两站实测数据无法获取或与相关站测值差异超出历史系列最大差值N1倍时，通过实测数据代替公式计算成果代替实测值；S4：降雨量预警：建立具有LTSM功能的RNN雨量预报模型，采用集成降雨预报计算得出进行山洪降雨预警预报；S5：水位/流量预警：建立具有LTSM功能的RNN水位预报模型，使用实时数据代入模型进行计算，实现进行山洪水位预警预报。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010735098.0(22)申请日 2020.07.28(71)申请人 安徽沃特水务科技有限公司地址 230601 安徽省合肥市滨湖新区高速时代广场C7栋9-10层(72)发明人 旷世希　蔡国成　梁后军　王锋　乔营营　尹权哲　吴志祥　张欢　张佳佳　马婉静　沈振平　(74)专利代理机构 安徽权小七知识产权代理事务所(特殊普通合伙) 34172代理人 许希富(51)Int.Cl.G06F 30/27(2020.01)G06F 16/9537(2019.01)G06N 3/08(2006.01)G06N 3/04(2006.01)G06Q 10/06(2012.01)(54)发明名称一种基于大数据和深度学习的洪水预报方法(57)摘要本发明涉及一种基于大数据和深度学习的洪水预报方法，包括；收集和整理数据步骤：收集并记录历史有记录的当地的历时雨量数据，收集并记录历史有记录的当地的河流流量数据，将上述历时雨量数据和河流流量数据进行整理，数据筛选步骤：筛选各个时间段该流域将数量的最大值和最小值，并将历史洪水发生的时间点进行对比，确定一个接近洪水的触发值和一个最低水位值。

本发明解决传统洪水预报方法物理建模复杂，移植性差的问题。

本技术提取历史洪水发生期间的雨量和水量(水位)变化情况，同时结合这一期间雨量变化的时间序列特征，使用LSTM神经网络预报洪水水量以及水位信息。

结果表明，该技术相比传统洪水预报系统有更高的精度和准确性。

权利要求书1页 说明书3页 附图1页CN 111814407 A 2020.10.23C N 111814407A1.一种基于大数据和深度学习的洪水预报方法，其特征在于，包括；收集和整理数据步骤：收集并记录历史有记录的当地的历时雨量数据，收集并记录历史有记录的当地的河流流量数据，将上述历时雨量数据和河流流量数据进行整理；数据筛选步骤：筛选各个时间段该流域将数量的最大值和最小值，并将历史洪水发生的时间点进行对比，确定一个接近洪水的触发值和一个最低水位值；建立样本步骤：确立样本的大小，将数据转化成样本数，序列长度的形式；学习步骤：在深度学习中，设置隐藏单元个数，构建LSTMS，优化网格，数据损失量小时，会得到最优的LSTMS模型，当数据缺失较大时，继续优化网格，直到得到最优LSTMS模型，对水量水位进行预测；测试集，将测量的结果数据与历史数据进行比较，得到水量和水位的数值，从而预测洪水的发生的概率。