渠道参数预测方法、装置、计算机设备及介质与流程

1.本发明实施例涉及计算机领域，尤其涉及一种渠道参数预测方法、装置、计算机设备及介质。


背景技术：

2.渠道是水量调度的重要载体，其主要物理参数包括糙率、入渗参数等。获取准确的参数值，提升水动力过程模拟仿真精度，从而实现输配水及排水工程合理设计，对水资源综合科学利用具有重要意义。糙率通常用来表征各类因素对水流运动阻力，入渗参数通常用来表征渠道的总体入渗能力，糙率和入渗参数均是不可直接观测的物理量，通常都是基于实测数据反演得到。
3.数据同化方法应用于渠道输配水参数的实时反演方法正在不断发展中。其中的集合卡尔曼滤波方法将模型状态变量和参数同时更新，当未知模型状态和参数的数量较多时，系统的自由度增加，使得参数同化过程中状态和参数产生突变而导致计算的不稳定性，同时降低预测精度。


技术实现要素：

4.为提高渠道输配水参数同化过程中的稳定性和预测精度，本发明提出了一种渠道参数预测方法、装置、计算机设备及介质。
5.第一方面，本发明提供了一种渠道参数预测方法，方法包括：
6.获取渠道观测数据和多个当前渠道参数，并生成观测数据集合和当前渠道参数集合，当前渠道参数与渠道水流动力学模型中的模型参数相对应，渠道水流动力学模型用于表征渠道水流运动过程；
7.根据观测数据集合、当前渠道参数集合和渠道水流动力学模型，利用集合卡尔曼滤波框架交替更新各当前渠道参数，得到渠道参数优化值。
8.通过本方法，为避免传统的集合卡尔曼滤波方法中渠道状态变量和模型参数在同时更新后产生突变进而导致计算过程中的不稳定和低预测精度，在利用集合卡尔曼滤波框架时，分别交替更新渠道参数，在更新过程中每次对各参数逐个进行同化，不会导致模型状态变量发生突变，同时降低更新后各参数出现同化一致性的可能性，提高渠道输配水参数同化过程中的稳定性和预测精度。
9.结合第一方面，在第一方面的第一实施例中，生成观测数据集合和当前渠道参数集合，包括：
10.通过向观测数据和当前渠道参数分别添加高斯白噪声，生成观测数据集合和当前渠道参数集合。
11.结合第一方面，在第一方面的第二实施例中，利用集合卡尔曼滤波框架交替更新各当前渠道参数，包括：
12.在同一时刻对渠道参数中的每个渠道参数逐个进行更新。
13.通过上述实施例，在同一时刻对每个渠道参数逐个进行优化，相较于集合卡尔曼滤波方法中同时优化多个模型参数的方法，降低参数变量在同化时出现一致性问题的可能性，提高了参数优化精度。
14.结合第一方面的第二实施例，在第一方面的第三实施例中，根据观测数据集合、当前渠道参数集合和渠道水流动力学模型，利用集合卡尔曼滤波框架交替更新各当前渠道参数，得到渠道参数优化值，包括：
15.根据当前渠道参数集合生成渠道参数集合的预测值集合；
16.当有观测数据时，根据预测值集合得到渠道参数集合的分析值集合，分析值集合的均值即为渠道参数优化值。
17.结合第一方面或第一方面的第三实施例，在第一方面的第四实施例中，将渠道参数优化值作为当前渠道参数，返回获取渠道观测数据和多个当前渠道参数，并生成观测数据集合和当前渠道参数集合的步骤。
18.结合第一方面的第三实施例，在第一方面的第五实施例中，根据当前渠道参数集合生成渠道参数集合的预测值集合，包括：
[0019][0020]
式中，表示渠道参数集合的预测值集合，表示当前渠道参数集合，i表示第i时刻，j表示第j个集合，f表示预测值，a表示分析值，i为单位向量。
[0021]
结合第一方面的第三实施例或第一方面的第五实施例，在第一方面的第六实施例中，当有观测数据时，根据预测值集合得到渠道参数集合的分析值集合，包括：
[0022][0023]
式中，o
i+1
表示观测数据集合，h为观测算子，即渠道水流动力学模型，k
i+1
为卡尔曼增益。
[0024]
第二方面，本发明提供了一种渠道参数预测装置，装置包括：
[0025]
获取模块，用于获取渠道观测数据和多个当前渠道参数，并生成观测数据集合和当前渠道参数集合，当前渠道参数与渠道水流动力学模型中的模型参数相对应，渠道水流动力学模型用于表征渠道水流运动过程；
[0026]
优化模块，用于根据观测数据集合、当前渠道参数集合和渠道水流动力学模型，利用集合卡尔曼滤波框架交替更新各当前渠道参数，得到渠道参数优化值。
[0027]
通过上述装置，为避免传统的集合卡尔曼滤波方法中渠道状态变量和模型参数在同时更新后产生突变进而导致计算过程中的不稳定和低预测精度，在利用集合卡尔曼滤波框架时，分别交替更新渠道参数，在更新过程中每次对各参数逐个进行同化，不会导致模型状态变量发生突变，同时降低更新后各参数出现同化一致性的可能性，提高渠道输配水参数同化过程中的稳定性和预测精度。
[0028]
第三方面，本发明还提供了一种计算机设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或第一方面的任一实施例的渠道参数预测方法的步骤。
[0029]
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计
算机程序被处理器执行时实现第一方面或第一方面的任一实施例的渠道参数预测方法的步骤。
附图说明
[0030]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]
图1是根据一示例性实施例提出的一种渠道参数预测方法的流程图；
[0032]
图2是根据一示例性实施例提出的渠道参数预测方法中交替更新渠道参数过程的流程图；
[0033]
图3是根据一示例性实施例提出的糙率估计值演化过程；
[0034]
图4是根据一示例性实施例提出的水流推进和消退过程模拟和实测值对比图；
[0035]
图5是根据一示例性实施例提出的一种渠道参数预测装置的结构示意图；
[0036]
图6是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
[0037]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0039]
为提高渠道输配水过程的模拟和预测精度，增强模型计算的稳定性，本发明提出了一种渠道参数预测方法、装置、计算机设备及介质。
[0040]
图1是根据一示例性实施例提出的一种渠道参数预测方法的流程图。如图1所示，渠道参数预测方法包括如下步骤s101至s102。
[0041]
在步骤s101中，获取渠道观测数据和多个当前渠道参数，并生成观测数据集合和当前渠道参数集合，当前渠道参数与渠道水流动力学模型中的模型参数相对应，渠道水流动力学模型用于表征渠道水流运动过程。
[0042]
具体地，渠道观测数据可以为渠道水位、流量水质浓度等渠道状态变量，当前渠道参数可以为渠道糙率、入渗参数、水质扩散系数等模型参数。渠道水流动力学模型是根据渠道水流流态特性构建的，可以是一维/二维/三维水流动力学模型。
[0043]
在步骤s102中，根据观测数据集合、当前渠道参数集合和渠道水流动力学模型，利用集合卡尔曼滤波框架交替更新各当前渠道参数，得到渠道参数优化值。
[0044]
通过本发明实施例，为避免传统的集合卡尔曼滤波方法中渠道状态变量和模型参数在同时更新后产生突变进而导致计算过程中的不稳定和低预测精度，在利用集合卡尔曼滤波框架时，分别交替更新渠道参数，在更新过程中每次对各参数逐个进行同化，不会导致模型状态变量发生突变，同时降低更新后各参数出现同化一致性的可能性，提高渠道输配水参数同化过程中的稳定性和预测精度。
[0045]
在一示例中，通过向观测数据和当前渠道参数中分别添加高斯白噪声，生成观测数据集合和当前渠道参数集合。
[0046]
在一可选实施例中，考虑到观测数据的不确定性，在采集不同时刻的渠道水位或流量观测数据后，通过向观测数据添加高斯白噪音，并采用拉丁超立方抽样方法生成观测数据集合：
[0047]
oj＝o+ξ
[0048]
式中，o为观测数据；j表示第j个集合；ξ为独立白噪音，并且服从均值为零方差为u的正态分布。
[0049]
在一可选实施例中，考虑到模型参数的不确定性，通过向渠道水流动力学模型参数添加高斯白噪音，采用拉丁超立方抽样方法生成模型参数集合：
[0050]
nj＝n+ε
[0051]
式中，n为模型参数；j表示第j个集合；ε为独立白噪音，并且服从均值为零方差为s的正态分布。
[0052]
在一示例中，如图2所示，利用集合卡尔曼滤波框架交替更新各当前渠道参数时，在同一时刻对渠道参数中的每个渠道参数逐个进行更新。例如在t＝1时刻，交替更新每个渠道参数，每次只对一个渠道参数进行同化更新，待所有参数依次更新后，进入下一时刻渠道参数的同化更新，以此类推直到模拟时间结束。
[0053]
在又一示例中，根据观测数据集合、当前渠道参数集合和渠道水流动力学模型，利用集合卡尔曼滤波框架交替更新各当前渠道参数，得到渠道参数优化值，具体包括如下步骤：
[0054]
首先，根据当前渠道参数集合生成渠道参数集合的预测值集合，如下所示：
[0055][0056]
式中，表示渠道参数集合的预测值集合，表示当前渠道参数集合，i表示第i时刻，j表示第j个集合，f表示预测值，a表示分析值，i为单位向量。
[0057]
然后，当有观测数据时，根据预测值集合得到渠道参数集合的分析值集合，分析值集合的均值即为渠道参数优化值，如下所示：
[0058][0059]
式中，o
i+1
表示观测数据集合，h为观测算子，即渠道水流动力学模型，k
i+1
为卡尔曼增益，k
i+1
定义如下：
[0060]ki+1
＝p
i+1ht
(hp
i+1ht
+r
i+1
)-1
[0061]
式中：r
i+1
为观测误差协方差，p
i+1
为预测值观测误差协方差，p
i+1
定义如下：
[0062][0063]
式中：为的均值，j表示集合数目。
[0064]
得到渠道参数1分析值后，对于渠道参数2-参数n，重复上述步骤，得到参数2-参数
n集合的分析值。对每一个同化时刻进行上述运算，直到模拟过程结束，最终得到渠道参数优化值。
[0065]
在另一示例中，以农田毛渠水流推进消退过程模拟为例进行效果展示，渠道长度350m，底坡0.0025。渠道首部闸门开启后以3.5l/s的流量放水，放水时间110min，渠道尾部自由出流。
[0066]
首先，根据渠道水流流态特性构建渠道水流动力学模型。在本案例中，渠道水流可以近似为均匀流，可以采用一维运动波模型描述渠道水流运动过程，运动波模型表达式如下：
[0067][0068]
式中：x为沿水流方向距离；t为时间；q为渠道中流量；a为水流横截面面积；z为单位长度渠道上的累积入渗量；α和m为渠道形状参数，计算公式为：m＝p2/2，其中s0为渠道底坡，n0为渠道糙率，p1和p2为经验参数，通过测量渠道横断面尺寸拟合得到。
[0069]
渠道未衬砌，沿渠道入渗量采用kostiakov入渗公式计算，入渗公式如下：
[0070]
z＝kta[0071]
式中：k和a为入渗参数。
[0072]
结合边界条件和初始条件，一维运动波模型采用有限差分方法求解。
[0073]
然后，在渠道中间每隔50m设有观测点，每5min记录测量点的水深。向观测数据添加高斯白噪音扰动，假设扰动服从正态分布n(0，0.1)。采用拉丁超立方抽样方法生成观测数据集合，集合数目设置为300。
[0074]
其次，根据经验假设渠道糙率及入渗参数的初始值，通过向渠道糙率及入渗参数初值添加高斯白噪音扰动考虑模型参数的不确定性，假设扰动服从正态分布n(0，0.01)。采用拉丁超立方抽样方法生成渠道糙率及入渗参数集合。
[0075]
最后，在5min，10min，
…
110min时刻，通过交替更新参数同化方法更新渠道糙率及入渗参数，取渠道糙率及入渗参数集合的均值作为渠道糙率及入渗参数优化值，本案例中反演得到的渠道糙率优化值为0.02，入渗参数k优化值为0.012，入渗参数a优化值为0.024，糙率估计值演化过程见图3。
[0076]
为了验证上述实施例中提供的渠道参数预测方法的准确性，在一可选实施例中，执行上述实施例中提供的渠道参数预测方法，得到渠道参数优化值，使用该渠道参数优化值模拟水流推进和消退过程，将模拟的渠道水流在不同时刻推进和消退的推进距离与实际测量得到的水流在不同时刻推进和消退的推进距离进行比较，得到的比较结果如图4所示。在图4中，位于下方的曲线表示从闸门开始放水，水流前缘从渠道首部到渠道尾部的推进过程，位于上方的曲线表示闸门关闭后，渠道中水流的消退过程，可以看出模拟距离和实际测量距离拟合效果良好。
[0077]
基于相同发明构思，本发明实施例还提供一种渠道参数预测装置，如图5所示，该装置包括：
[0078]
获取模块501，用于获取渠道观测数据和多个当前渠道参数，并生成观测数据集合
和当前渠道参数集合，当前渠道参数与渠道水流动力学模型中的模型参数相对应，渠道水流动力学模型用于表征渠道水流运动过程。详细内容参见上述实施例中步骤s101的描述，在此不再赘述。
[0079]
优化模块502，用于根据观测数据集合、当前渠道参数集合和渠道水流动力学模型，利用集合卡尔曼滤波框架交替更新各当前渠道参数，得到渠道参数优化值。详细内容参见上述实施例中步骤s102的描述，在此不再赘述。
[0080]
在一示例中，获取模块501包括：
[0081]
生成子模块，用于通过向观测数据和当前渠道参数分别添加高斯白噪声，生成观测数据集合和当前渠道参数集合。详细内容参见上述实施例中的描述，在此不再赘述。
[0082]
在又一示例中，在优化模块502中，在同一时刻对渠道参数中的每个渠道参数逐个进行更新。详细内容参见上述实施例中的描述，在此不再赘述。
[0083]
在另一示例中，优化模块502包括：
[0084]
预测子模块，用于根据当前渠道参数集合生成渠道参数集合的预测值集合。详细内容参见上述实施例中的描述，在此不再赘述。
[0085]
优化子模块，用于当有观测数据时，根据预测值集合得到渠道参数集合的分析值集合，分析值集合的均值即为渠道参数优化值。详细内容参见上述实施例中的描述，在此不再赘述。
[0086]
在一示例中，该装置还用于将渠道参数优化值作为当前渠道参数，返回获取渠道观测数据和多个当前渠道参数，并生成观测数据集合和当前渠道参数集合的步骤。详细内容参见上述实施例中的描述，在此不再赘述。
[0087]
在又一示例中，在预测子模块中，根据当前渠道参数集合生成渠道参数集合的预测值集合，如下所示：
[0088][0089]
式中，表示渠道参数集合的预测值集合，表示当前渠道参数集合，i表示第i时刻，j表示第j个集合，f表示预测值，a表示分析值，i为单位向量。详细内容参见上述实施例中的描述，在此不再赘述。
[0090]
在一示例中，在优化子模块中，当有观测数据时，根据预测值集合得到渠道参数集合的分析值集合，如下所示：
[0091][0092]
式中，o
i+1
表示观测数据集合，h为观测算子，即渠道水流动力学模型，k
i+1
为卡尔曼增益。详细内容参见上述实施例中的描述，在此不再赘述。
[0093]
通过本装置，为避免传统的集合卡尔曼滤波方法中渠道状态变量和模型参数在同时更新后产生突变进而导致计算过程中的不稳定和低预测精度，在利用集合卡尔曼滤波框架时，分别交替更新渠道参数，在更新过程中每次对各参数逐个进行同化，不会导致模型状态变量发生突变，同时降低更新后各参数出现同化一致性的可能性，提高渠道输配水参数同化过程中的稳定性和预测精度。
[0094]
上述装置的具体限定以及有益效果可以参见上文中对渠道参数预测方法的限定，
在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0095]
图6是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图6所示，该设备包括一个或多个处理器610以及存储器620，存储器620包括持久内存、易失内存和硬盘，图6中以一个处理器610为例。该设备还可以包括：输入装置630和输出装置640。
[0096]
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图6中以通过总线连接为例。
[0097]
处理器610可以为中央处理器(central processing unit，cpu)。处理器610还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0098]
存储器620作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬盘，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本技术实施例中渠道参数预测方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种渠道参数预测方法。
[0099]
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0100]
输入装置630可接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的信号输入。输出装置640可包括显示屏等显示设备。
[0101]
一个或者多个模块存储在存储器620中，当被一个或者多个处理器610执行时，执行如图1所示的方法。
[0102]
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。
[0103]
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的预测方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0104]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之
间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0105]
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。