(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 202111333390.0 (22)申请日 2021.11.11 (71)申请人 国网新源 控股有限公司 地址 100053 北京市西城区白广路二条一 号 申请人 吉林蛟河抽水蓄能有限公司 (72)发明人 代佳宇　贺中元　董雪　 (74)专利代理 机构 北京智绘未来专利代理事务 所(普通合伙) 11689 代理人 张红莲　王萍 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/2458(2019.01)G06Q 50/26(2012.01) G08B 21/18(2006.01) (54)发明名称 基于神经网络的水库各区域水位精细化监 测方法 (57)摘要 基于神经网络的水库各区域水位精细化监 测方法， 首先对 水库集水部分进行区域划分得到 不同的水库集水区域， 然后采集水库集水区域的 历史数据， 之后分别对水库每个区域各类型出水 量构建神经网络模型， 并对这些神经网络模型进 行训练； 再根据水库集水区域构建水位数学模型 后， 根据实时采集的数据进行预测， 将预测数据 输入到数学模 型中求解， 求得未来每个细粒化时 刻每个区域的水面变化和水位高度， 当水位大于 所设定阈值时进行报警。 本方能够更加准确地描 绘水面变化以及水位高度， 捕捉细小时间段中的 水位差别， 从而做到精细化 监测与报警。 权利要求书3页 说明书6页 附图2页 CN 114048679 A 2022.02.15 CN 114048679 A 1.基于神经网络的水库各区域水位精细化监测方法， 其特征在于， 所述水库各区域水 位监测方法包括以下步骤： 步骤1， 对水库集水部分进行区域划分得到不同的水库集水区域； 步骤2， 采集水库集水区域的历史数据； 步骤3， 分别对水库每个区域各类型出水量构建神经网络模型， 并对这些神经网络模型 进行训练； 步骤4， 根据水库集水区域构建水位数 学模型； 步骤5， 实时采集当前一个时刻的水库储水量、 进水量、 每个区域各类型出水量， 输入至 步骤3的神经模型中得到步骤4的数 学模型中 需要的预测数据； 步骤6， 使用步骤5的预测数据对步骤4的数学模型进行求解， 如果所得到的区域水位大 于所设定的报警 阈值， 则进行报警并减小进 水量直到所有区域水位 都低于报警阈值且水库 每个区域的储水量 最大。 2.根据权利要求1所述的基于神经网络的水库各区域水位精细化监测方法， 其特征在 于： 在所述步骤1中， 将水库集水部分 分为防洪区、 储水区、 缓冲区以及禁用区。 3.根据权利要求1或2所述的基于神经网络的水库 各区域水位精细化监测方法， 其特征 在于： 在所述步骤2中， 水库集水区域的历史数据包括水库历史储水量、 水库历史进水量、 水 库历史储水量、 水库每个区域供给发电所需的历史出水量、 供给储能所需的历史出水量以 及水库每 个区域历史溅 出水量； 采集至少一个月以上的历史数据， 每 个历史数据的采集时间 间隔最多为1小时。 4.根据权利要求3所述的基于神经网络的水库各区域水位精细化监测方法， 其特征在 于： 在所述步骤3中， 出水量类型包括供给发电所需出水量、 储能所需出水量以及溅出水 量； 所构建的神经网络模型由至少两个神经单元构成， 每个神经单元包括输入机制、 输出 机制、 过滤机制以及存 储机制。 5.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法， 其特征在 于： 所述输入机制满足以下关系式： 其中， it表示本时刻输入机制的输出结果， σ 为Sigmoid函数， xt为神经网络的输入， ht‑1 为上一时刻的神经网络输出， 在第一时刻时， ht‑1为0， wxi表示输入机制神经网络输入 的权 重， whi表示输入机制上一时刻神经网络输出的权重， bi为输入机制的惩罚系数； 表示位 加。 6.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法， 其特征在 于： 所述输出机制满足以下关系式： 权　利　要　求　书 1/3 页 2 CN 114048679 A 2其中， ot表示本时刻 输出机制的输出结果， wxo表示输出机制神经 网络输入的权重， who表 示输出机制上一时刻神经网络 输出的权 重， bo为输出机制的惩罚系数。 7.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法， 其特征在 于： 所述过滤机制满足以下关系式： 其中， ft表示本时刻过滤机制的输出结果， wxf表示过滤机制中神经 网络输入的权重， whf 表示过滤机制中上一时刻神经网络 输出的权 重， bf为过滤机制的惩罚系数。 8.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法， 其特征在 于： 所述存储机制满足以下关系式： 其中， Ct为本时刻存储机制的输出结果， Ct‑1为上一时刻存储机制的输出结果， wxc表示 存储机制中神经网络输入的权重， whc表示存储机制中上一时刻神经网络输出的权重， bc为 存储机制的惩罚系数； 表示位乘。 9.根据权利要求5 ‑8任意一项所述的基于神经网络的水库各区域水位精细化监测方 法， 其特征在于： 本时刻神经网络的输出满足以下关系式： 在训练神经网络模型时， 将与待预测数据不同类型的其 他历史数据作为模型的输入。 10.根据权利要求2所述的基于神经网络的水库 各区域水位精细化监测方法， 其特征在 于： 在所述步骤4中， 储水区的水位数 学模型为： f(xst)+hf≤hmax 其中， f(xst)表示储水区在t时刻的水位； hf表示防洪区的水位高度， M表示该模型的维 度， 维度越多储水区水面水位的细分程度越高， 在本发明中， M取30； f(xbt)表示缓冲区在t 时刻的水位； xst表示在t时刻储水区的模拟水量。 11.根据权利要求5所述的基于神经网络的水库 各区域水位精细化监测方法， 其特征在 于： 储水区在t时刻的水量模拟满足以下关系式： 其中， xst表示在t时刻储水区的模拟水量； STt表示t时刻水库的储水量； IFt表示t时刻 水库的进水量， 通过实时采集得到； 表示t时刻储水区的模拟出 水量； 其中， 表示储水区t 时刻供给发电所需的预测出水量； 表示储水区t 时刻供给储 能所需的预测出水量； ； 表示储水区t时刻预测溅出水量； PGE表示实际发电效率， 一般取权　利　要　求　书 2/3 页 3 CN 114048679 A 3