本發(fā)明屬于水利工程信息化，特別是涉及一種水溫多步智能預(yù)測方法。

背景技術(shù)：

1、引水渠道冰期水溫預(yù)測方法是模擬預(yù)測輸水調(diào)水工程水溫變化的重要技術(shù)手段之一，也是減少冬季復(fù)雜環(huán)境下水利工程災(zāi)害的重要非工程措施之一。引水渠道冰期水溫預(yù)測方法在保護(hù)河流的生態(tài)系統(tǒng)、保障輸水調(diào)水工程安全運(yùn)行等方面都有廣泛的應(yīng)用，水溫預(yù)測能夠有效預(yù)防冰害，確保輸水調(diào)水工程的穩(wěn)定運(yùn)行，對保障人民的生命財產(chǎn)安全和社會經(jīng)濟(jì)發(fā)展具有一定的現(xiàn)實(shí)意義。

2、冬季氣溫驟降導(dǎo)致了工程冰期輸水常常面臨結(jié)冰風(fēng)險，嚴(yán)重影響了工程的正常運(yùn)行和供水效率。為了保障冬季輸水安全，目前中線工程冬季輸水多采用冰蓋下輸水方式，然而，總干渠冰期供水能力大幅下降，受水區(qū)不斷增加的用水需求與工程供水能力的供需矛盾更加突出。因此，如何對引水渠道進(jìn)行準(zhǔn)確及時的冰期水溫預(yù)測，保障引水渠道冰期輸水安全，提升工程冰期輸水效率，充分發(fā)揮工程效益，是當(dāng)前亟需研究的重要問題。

3、目前，在進(jìn)行水溫預(yù)測研究時，常常通過原型觀測、試驗(yàn)研究及數(shù)值模擬等方法進(jìn)行分析和研究，即通過假定參數(shù)進(jìn)行模擬計算，由于觀測精度低、模型比尺及參數(shù)設(shè)置等問題，目前的研究方法難以達(dá)到理想的效果。此外，模型參數(shù)的選擇和調(diào)整往往需要通過大量的試錯過程完成，模型的復(fù)雜性和計算量難以保證其預(yù)測結(jié)果全局最優(yōu)，使其在大范圍應(yīng)用時面臨巨大的工作量和時間成本問題，且無法保證模型在不同條件下的適用性和準(zhǔn)確性。另外，目前廣泛使用的單步預(yù)測方法雖然可以在某些情況下提供較為精確的短期預(yù)測，但在實(shí)際應(yīng)用中，多步預(yù)測方法能夠提供多個時間步長的水溫信息、支持更復(fù)雜的決策過程，通過多步預(yù)測，能夠更深入地理解冰期水溫的動態(tài)變化，揭示未來一段時間內(nèi)的溫度趨勢和波動，這對于優(yōu)化資源配置，避免因預(yù)測不準(zhǔn)確而導(dǎo)致的資源浪費(fèi)或短缺具有重要意義。

4、隨著人工智能技術(shù)的不斷發(fā)展，許多先進(jìn)的智能算法應(yīng)用于求解水溫預(yù)測背景下的各類優(yōu)化問題，并取得了較好的效果。qpso算法和bigru模型是人工智能技術(shù)的重要分支。qpso算法的主要特點(diǎn)是群體搜索策略和群體之間的信息交換，通常能夠在顯著低于常規(guī)計算方法所需的時間內(nèi)完成問題的求解。bigru模型則以其規(guī)則簡單、通用性強(qiáng)和性能良好等優(yōu)勢，在網(wǎng)絡(luò)正向和反向傳播過程中均可獲取信息，充分挖掘序列的信息特征，提高方法預(yù)測精度，在處理時間序列數(shù)據(jù)方面表現(xiàn)出色。以及，qpso算法將量子理論應(yīng)用于粒子行為，根據(jù)量子粒子群平均最優(yōu)粒子位置并利用收縮擴(kuò)張因子來更新粒子位置，避免了粒子群算法容易陷入局部最優(yōu)問題，增強(qiáng)了全局收斂能力。bigru模型克服了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中梯度消失和梯度爆炸的問題，可以學(xué)習(xí)長期和短期依賴關(guān)系，同時，簡化了長短期記憶模型內(nèi)部復(fù)雜的門結(jié)構(gòu)，減少了網(wǎng)絡(luò)訓(xùn)練參數(shù)的數(shù)量，具有更高的計算效率。

5、循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)已成功地應(yīng)用于許多領(lǐng)域，rnn內(nèi)部狀態(tài)可以用于處理與時間相關(guān)的序列。gru與傳統(tǒng)的rnn不同，gru可以學(xué)習(xí)長期和短期依賴關(guān)系。同時，簡化了lstm內(nèi)部復(fù)雜的門結(jié)構(gòu)，得到了只包含重置和更新門的gru，減少了網(wǎng)絡(luò)訓(xùn)練參數(shù)的數(shù)量，具有更高的計算效率。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有水溫預(yù)測方法存在的預(yù)測精度不高、預(yù)見期短、模型調(diào)試時間較長的問題，本發(fā)明提供了一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，將qpso算法與bigru模型結(jié)合，得到參數(shù)自適應(yīng)智能率定的水溫預(yù)測模型，結(jié)合高效的模型自適應(yīng)智能率定實(shí)現(xiàn)了高精確度水溫多步智能預(yù)測。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明所采用以下的技術(shù)方案：

3、一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，包括以下步驟：

4、獲得輸入氣象運(yùn)行因子包括最低氣溫、日均氣溫、流量、滑動三日負(fù)積溫、滑動三日氣溫在內(nèi)的水溫數(shù)據(jù)，進(jìn)行歸一化處理；

5、構(gòu)建基于qpso-bigru的引水渠道冰期水溫智能預(yù)測模型，以氣象運(yùn)行因子的水溫數(shù)據(jù)即最低氣溫、日均氣溫、流量、滑動三日負(fù)積溫、滑動三日氣溫和和前(t-1)天至(t-s)天的測站水溫序列wt(t-1)、wt(t-2)、……wt(t-s)共同作為模型的輸入因子，t表示當(dāng)前預(yù)測時刻，s表示測站水溫序列的輸入步長；

6、進(jìn)行qpso算法的參數(shù)初始化，通過迭代得到最佳適應(yīng)度值的粒子對應(yīng)的參數(shù)作為優(yōu)化后的bigru模型的超參數(shù)；

7、構(gòu)建基于bigru單元的預(yù)測模型本體的決策模型，由兩個gru單元狀態(tài)同時計算分析當(dāng)前時刻t的預(yù)測水溫決策信息如下式所示：

8、

9、式中，和表示兩個gru單元正向和反向傳播的輸出，和表示兩個gru單元正向和反向傳播的權(quán)重；

10、利用qpso算法對bigru模型的學(xué)習(xí)率、隱含層神經(jīng)元節(jié)點(diǎn)數(shù)量進(jìn)行自動尋優(yōu)，將qpso算法中具有最佳適應(yīng)度值的粒子對應(yīng)的參數(shù)作為優(yōu)化后的bigru模型的超參數(shù)；

11、計算粒子種群最優(yōu)位置的平均值，依據(jù)平均值更新粒子位置；重復(fù)步驟三至步驟四，直到達(dá)到迭代的最大次數(shù)，迭代結(jié)束后，更新粒子位置作為全局粒子的最優(yōu)位置gbest，在最優(yōu)位置gbestg獲得具有最佳適應(yīng)度值的粒子作為最優(yōu)解，該粒子所對應(yīng)的與水溫變化過程相關(guān)的模型參數(shù)作為優(yōu)化后的bigru模型的超參數(shù)；

12、根據(jù)優(yōu)化后的bigru模型的超參數(shù)和基于qpso-bigru型的水溫智能預(yù)測模型實(shí)現(xiàn)水溫多步智能預(yù)測計算，輸出水溫預(yù)測結(jié)果。

13、與現(xiàn)有的水溫預(yù)測方法相比，本發(fā)明的有益效果及優(yōu)點(diǎn)在于：

14、1)能夠在處理復(fù)雜非線性水溫變化問題時，更加高效地捕捉水溫變化特征，提高多步預(yù)測的可靠性和預(yù)見期，適應(yīng)多種水溫影響因子，從而更好地滿足引水渠道冰期水溫預(yù)測需求；

15、2)不僅在理論上具有創(chuàng)新性和先進(jìn)性，而且在實(shí)際應(yīng)用中具有重要的現(xiàn)實(shí)意義和廣泛的應(yīng)用前景，可為引水渠道冰期水溫預(yù)測提供有效的技術(shù)支持；

16、3)結(jié)合了qpso算法和bigru模型的優(yōu)勢，簡化模型參數(shù)的率定過程，顯著地縮短了模型調(diào)試時間，提高了模型率定和使用效率；

17、4)減小了因預(yù)測模型超參數(shù)設(shè)置產(chǎn)生的誤差，提高了水溫多步智能預(yù)測的精確度。

技術(shù)特征：

1.一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，其特征在于，其中，在每次迭代中，qpso算法根據(jù)當(dāng)前粒子的參數(shù)設(shè)置生成水溫預(yù)測值，與真實(shí)值進(jìn)行比較，計算出均方誤差mse；對于每個粒子，如果當(dāng)前迭代中的mse低于該粒子在之前迭代中的最小mse，則更新該粒子的最優(yōu)位置pbest為當(dāng)前參數(shù)設(shè)置，并記錄當(dāng)前的最小mse；在整個種群中，如果某個粒子當(dāng)前的mse低于之前任何粒子記錄的最小mse，則更新全局最優(yōu)位置gbest為該粒子的當(dāng)前參數(shù)設(shè)置，并記錄全局的最小mse；這個過程中，粒子最優(yōu)位置和全局最優(yōu)位置不斷更新，找到一組使水溫預(yù)測模型精度最高的參數(shù)組合。

3.如權(quán)利要求1所述的一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，其特征在于，更新的數(shù)值大小決定預(yù)測模型更傾向于保持前一時刻的水溫預(yù)測趨勢或預(yù)測模型更依賴于當(dāng)前時刻的輸入數(shù)據(jù)來調(diào)整水溫預(yù)測。

4.如權(quán)利要求1所述的一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，其特征在于，預(yù)測結(jié)果為從一天至七天不同預(yù)見期的的水溫多步智能預(yù)測值。

5.如權(quán)利要求1所述的一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，其特征在于，以輸入氣象運(yùn)行因子預(yù)測的水溫值的均方誤差作為適應(yīng)度函數(shù)，如下式所示：

6.如權(quán)利要求1所述的一種基于qpso-bigru的引水渠道冰期水溫智能預(yù)測方法，其特征在于，所述bigru單元中的兩個gru單元分別具有重置門rt和更新門zt，重置門rt用于調(diào)節(jié)預(yù)測模型對氣象運(yùn)行條件的記憶程度；更新門zt用于權(quán)衡過去的歷史水溫狀態(tài)與當(dāng)前氣象條件的影響；

技術(shù)總結(jié)
本發(fā)明公開了一種基于QPSO?BiGRU的引水渠道冰期水溫智能預(yù)測方法，獲得輸入因子數(shù)據(jù)包括最低氣溫、日均氣溫、流量、滑動三日負(fù)積溫、滑動三日氣溫在內(nèi)的氣象運(yùn)行因子的水溫數(shù)據(jù)，進(jìn)行歸一化處理；構(gòu)建基于QPSO?BiGRU的引水渠道冰期水溫智能預(yù)測模型和構(gòu)建基于BiGRU單元的預(yù)測模型本體的決策模型，利用QPSO算法對BiGRU模型進(jìn)行自動尋優(yōu)，得到優(yōu)化后的BiGRU模型的超參數(shù)；根據(jù)步驟四得到的優(yōu)化后的BiGRU模型的超參數(shù)和步驟二構(gòu)建的基于QPSO?BiGRU型的水溫智能預(yù)測模型實(shí)現(xiàn)水溫多步智能預(yù)測計算，進(jìn)行預(yù)見期為一天至七天的水溫多步智能預(yù)測，并輸出預(yù)測結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明結(jié)合高效的模型自適應(yīng)智能率定實(shí)現(xiàn)了高精確度水溫多步智能預(yù)測。

技術(shù)研發(fā)人員：王秀杰,牛夢雅,田福昌,喬鴻飛,郭立兵,楊東旭
受保護(hù)的技術(shù)使用者：天津大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/5