(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 202111632901.9 (22)申请日 2021.12.2 9 (71)申请人 湖南省柘溪电力集团有限公司 地址 413000 湖南省安 化县柘溪镇 桥南路 (72)发明人 彭玥琬　陈贤军　费新国　周月明　 李晓争　王冠群　张彤阳　邓建超　 杨帆　 (74)专利代理 机构 重庆百润洪知识产权代理有 限公司 5 0219 代理人 刘子钰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01)G06F 119/08(2020.01) (54)发明名称 一种跨平台数据处 理方法 (57)摘要 本发明涉及水力发电站数据处理方法， 具体 为一种跨平台数据处理方法； 包括如下步骤： S01、 数据采集端采集河流上游 的温度、 天气、 降 雨量参数， 并将采集结果发送到数据处理终端； S02、 温度预测系统预测温度， 并将预测结果均发 送至预测总系统； S03、 天气预测系统预测天气， 并将预测结果均发送至 预测总系统； S04、 降雨量 预测系统预测降雨量， 并将预测结果均发送至预 测总系统； S05、 预测总系统根据温度预测系统、 天气预测系统和降雨量预测系统的预测结果得 出河流的水量， 从而预测水力发电量， 并将预测 数据存储到存储系统， 且由显示装置 显示出来。 权利要求书2页 说明书5页 附图1页 CN 114330123 A 2022.04.12 CN 114330123 A 1.一种跨平台数据处 理方法， 其特 征在于： 包括如下步骤： S01、 数据采集端采集河流上游的温度、 天气、 降雨量参数， 并将采集结果发送到数据处 理终端； S02、 温度预测系统预测温度， 并将预测结果均发送至预测总系统， 具体步骤为： A1:通 过温度检测模块检采集一段时间内的地表温度,从采集的温度数据中选择一段有效时间的 温度数据； A2:根据所述有效时间的温度曲线的斜率变化趋势和该段温度曲线的初始温度 确定出第一特定时间点， 通过第一特定时间点之前的斜率确定出第二特定时间点； A3:根据 公式y＝(a*t+b)/(t+c)计算出温度y的值， 其中， a、 b、 c为双曲线系数， 通过将所述有效时间 的温度数据对y＝(a*t+b)/(t+c)进行双曲线拟合求得， t为时间， 其取值为第二特定时间 点； A4:根据所述有效时间的温度曲线的最大斜率、 该段温度曲线的初始温度和温度y值确 定出被测地 点的最终预测温度。 S03、 天气预测系统预测天气， 并将预测结果均发送至预测总系统， 具体步骤为： B1： 通 过天气检测模块获取河道上游24小时内的气温信息值， 并获取测试点的地理位置， 天气预 测系统通过联网获取测试点的历年所述地理位置信息对应的天气数据； B2： 通过天气预测 系统将24小时内的气温信息值分别为最高气温和最低气温的历史值， 并归一化为0到1之间 的数值； B3： 建立训练样 本的输入输出矩阵， 即， 将第1到N ‑1条数据作为输入矩阵， 第2到N条 数据作为输出矩阵； B4： 对所述神经网络进 行训练， 将训练样 本的最后一条记录作为已知条 件计算输出， 并将输出结果作为已知； 然后利用已知数据迭代进 行预测， 得到从最后一条训 练数据开始到预测时长前一单位阶段的预测结果， 此时1条实际数据与n ‑1条预测数据在同 一临时结果集中； 利用上述临时结果集中的数据和权值矩阵作为已知， 计算得到所有的预 测结果矩阵； 得到预测结果矩阵之后， 模型进入最后反归一化的阶段， 即将归一化后的结果 数据恢复成正常的温度值； B5： 根据神经网络的计算结果， 结合测试点的地理位置和历年 天 气数据得 出更准确的天气预测。 S04、 降雨量预测系统预测降雨量， 并将预测结果均发送至预测总系统， 具体步骤为： C1： 通过降雨量检测模块收集地面观测站点的地理位置信息和日降雨量观测值， 通过降雨 量预测系统获取TRMM气象卫星遥感影像数据及ASTER  GDEM卫星遥感影像数据； C2： 将C1获 取的TRMM气象卫星遥感影像数据的时间分辨率处理为与地面观测站点的日降雨量观测值 的时间分辨率相等， 同时将ASTER  GDEM卫星遥感影像数据的空间分辨率重采样为1km， 并将 数据以文件 形式存放； C3： 根据地面观测站点的空间位置信息， 分别提取C2中相应的TRMM气 象卫星遥感影像数据及ASTER  GDEM卫星遥感影像数据的栅格值， 从而 得到每个地面观测站 点对应的卫星遥感影像数据的栅格值； C4： 根据C1收集的地面观测站点的日 降雨量观测值 及C3中获取的卫星遥感影像数据的栅格值， 进 行日降雨量数据的分位数分级； C5： 根据C4的 分位数分级， 建立地面观测站点的日 降雨量观测值、 对应TRMM气象卫星遥感影像数据的栅 格值、 ASTER  GDEM卫星遥感影像数据的栅格值以及经纬度坐标之间的线性回归关系， 得到 各级降雨量的回归估计值与回归残差； C6： 分析C5中得到的各级降雨量的回归残差的空间 自相关性及空间集聚性； C7： 对C6中具有空间集聚性的各级回归残差进 行趋势去除， 然后根 据ASTER GDEM卫星遥感影像数据对各级回归残差进行Block克里格插值， 得到1km空间分辨 率的各级回归残差的空间分布特征图； C8： 将根据C5得到的各级降雨量的回归估计值与C7 得到的1km空间分辨率的各级回归残差相加， 得到1km空间分辨率的各级降雨量预测值； C9:权　利　要　求　书 1/2 页 2 CN 114330123 A 2将根据C8所得的各级降雨量预测值合并， 得到地面1km空间分辨率的日降雨量预测值； C10: 利用交叉检验的方法对C9中的地面日降雨量预测值进 行预测精度验证， 交叉检验选用均方 根误差、 平均误差以及偏差作为评价 参数。 S05、 预测总系统根据温度预测系统、 天气预测系统和降雨量预测系统 的预测结果得出 河流的水流量， 从而 预测水力发电量， 并将预测数据存储到存储系统， 且由显示装置显示出 来。 步骤SO1中， 数据采集端包括温度检测模块、 天气检测模块、 降雨量检测模块和通讯模 块， 所述温度检测模块用于检测温度， 天气检测模块用于检测天气， 降雨量检测模块用于检 测降雨量， 通讯模块用于通讯连接数据处理终端； 数据处理终端包括 温度预测系统、 系统预 测天气、 降雨 量预测系统、 预测总 系统、 存储系统和显示装置 。 步骤SO2中， 所述A1中选择有效时间的温度数据优选包括以下步骤： 计算采集的温度数 据的一阶导数和二阶导数， 将求得的一阶导数、 二阶导数分别和0比较， 当某段时间内的数 据序列满足所有一阶导数都大于0并且二阶导数都小于0时， 认为该段时间内的温度数据为 有效时间的温度数据。 步骤S03中， 所述B4中， 利用神经网络进行训练进一步包括以下步骤： 先随机初始化输 入层到隐藏层、 隐藏层到输出层的权值矩阵； 计算隐藏层各神经元、 输出层各神经元的输 出， 计算每个输出神经元和隐藏神经元输出 的误差， 所述误差为神经元 的输出与实际数据 比较所得到的误差， 并反向传播更新网络中的权值， 当误差小于既定的期望误差或训练次 数超、 过既定的最大训练次数时完成所述训练步骤， 记录 权值矩阵。 步骤S04中， 所述C5中， 所述的线性回归关系建立采用的是多元线性回归模型， 其具体 公式如下： Z(x0)＝α +β 1T(x0)+β 2D(x0)+β 3Lon(x0)+β 4L at(x0)+ε(x0)， 其 中， Z(x0)为地面 观测站点x0的降雨回归估计值， α、 β 1、 β 2、 β 3、 β 4均是回归系数， T(x0)是地面观测站点x0对 应的TRMM卫星估测值， D(x0)是地面观测站点x0对应的ASTER  GDEM卫星遥感影像数据的栅 格值， Lon(x0)为x0的经度坐标值， Lat(x0)为x0的纬度坐标值， ε(x0)为回归残差 。 所述C6中， 所述的回归残差的空间自相 关性采用半方差模型来判断， 其中， h是地面点 之间的距离， N(h)是样本对数， ε(x0)和 ε(x0+h)是地 面点x0和x0+h的回归残差估计值。权　利　要　求　书 2/2 页 3 CN 114330123 A 3