一种基于人工智能的水资源调度监测系统的制作方法

本发明涉及水资源调度，具体为一种基于人工智能的水资源调度监测系统。

背景技术：

1、人工智能（artificial intelligence，缩写为ai）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。这个领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等，目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能包括算力、算法、数据三大要素，其中基础层提供算力支持，通用技术平台解决算法问题，场景化应用挖掘数据价值。

2、水资源调度是指对水资源进行合理的、科学的分配和利用，以满足人们生活和生产的需求，而随着技术的发展，人工智能技术和新的计算机技术，也逐渐应用在水资源调度领域。具体来说，水资源调度包括以下内容：

3、调度水源：根据不同地区的水资源分布情况和用水需求，对水资源进行合理的调度和分配，确保供水量的稳定和可靠；监测水质：通过对水质的实时监测和管理，确保水质符合相关标准和规定，保障人们的饮用水安全；调节水库：通过对水库的调节和管理，实现对水资源的合理调度和利用，确保水库的安全运行和供水量的稳定；统一管理：通过建立水资源管理机构，实现对水资源的统一管理和调度，避免浪费和污染。

4、总之，水资源调度是为了实现水资源的可持续利用和社会经济的可持续发展而进行的一项重要工作。

5、在申请公布号为cn113570275a中国发明专利中，基于bim和数字高程模型的水资源实时监测系统，包括数据库和应用模块，基于bim和数字高程模型的水资源实时监测平台研究充分利用物联网、大数据、云计算等技术，对水资源进行信息化管理，研制基于大数据、物联网、bim和三维地理信息，通过对bim模型及属性转换到gis技术的应用研究，解决了bim模型的属性转换到gis时会丢失的难题，从而为构建真实的三维立体系统，用计算机实现对真实环境或者物体的仿真和模拟，并在系统中模拟和演练变化的过程，提供了更好的支持。

6、以上申请中，提供综合地图、基础信息、监测监控、应急管理、水环境等数据监测、采集与预警预报，实现水资源动态展示、实景呈现、决策管理等多功能于一体，但是，以上申请所记载的技术方案中，在水体覆盖区域内处于持续降雨的状态下，地下水位上升，土壤含水量增高时，难以对水体风险进行及时和准确的预警，这就导致一旦水体洪涝风险产生时，应急能力较差，不能快速有效的调度水资源。

7、为此，本发明提供了一种基于人工智能的水资源调度监测系统。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于人工智能的水资源调度监测系统，通过生成水体变化的区域风险指数并进而获取监测区域内水体的风险指数，若所获取的风险指数超过第二风险阈值，发出第一报警指令，否则，对风险指数的变化趋势进行预测，若其预测值较当前值增加比例超过比例阈值，发出第二报警指令；在接收到第一或者第二报警指令后，由水体流动模型对监测区域内的水体变化进行持续预测，由若监测区域内的水体存在安全隐患，发出预测结果。若是存在风险，则输出更加全面的预测结果，以便于对可能存在安全隐患的水体做相应的处理，避免风险的产生，从而解决了背景技术中所记载的技术问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种基于人工智能的水资源调度监测系统，包括，在覆盖监测区域的电子地图上，将监测区域等面积分割为若干个子区域，若持续降雨量高于预期时，对各个子区域内的土层状态进行监测，获取监测结果并建立土层监测数据集合，由土层监测数据集合生成预警指数，若所获取的预警指数超过第一风险阈值，向外部发出预警指令；

5、其中，预警指数的获取方式如下：将地下水位 wu及土层含水量 ws做线性归一化处理，并将相应的数据值映射至区间内，再依据如下方式：

6、其中，及为可变更常数系数， ，，且，， m为大于1的正整数，其为子区域的数量；为在 i子区域内的预警指数，为各个子区域的预警指数均值，为大于0的修正系数；

7、在各个子区域的水体内设置若干个采样点，采集当前的水体参数并建立水体监测数据集合，将水体监测数据集合的数据依据类别对各项数据进行归类，获取若干个监测数据组，并生成数据质量指数，以对水体监测数据集合内的各项数据进行质量评估，若数据质量指数低于预设的质量阈值，则对低质量数据组的修正并生成水体修正数据集合；

8、在修正后监测数据的基础上生成水体变化的区域风险指数，并进而获取监测区域内水体的风险指数，若所获取的风险指数超过第二风险阈值，发出第一报警指令，否则，对风险指数的变化趋势进行预测，若其预测值较当前值增加比例超过比例阈值，发出第二报警指令；

9、采集监测区域内的水体数据，在进行特征提取后建立模型特征集合，使用 bp神经网络模型，训练获取监测区域内水体流动模型，在接收到第一或者第二报警指令后，由水体流动模型对监测区域内的水体变化进行持续预测，由若监测区域内的水体存在安全隐患，发出预测结果。

10、进一步的，在电子地图上将监测区域等面积的分割为若干个子区域，获取观察周期内的持续降雨量，若所述持续降雨量超过预设的降雨量阈值，发出持续降雨预警；在各个子区域内远离水体的土层表面随机设置若干个监测点，以固定的周期在监测点处对子区域内的地下水位 wu及土壤含水量 ws进行持续监测，并将所获取的监测数据汇总后，建立土层监测数据集合；由所述土层监测数据集合生成预警指数 eg( u, s)，若所获取的预警指数 eg( u, s)超过第一风险阈值，向外部发出预警指令。

11、进一步的，在各个子区域的水体内设置若干个采样点，以固定的周期在采样点内采集当前的水体参数，包括：水体当前的浑浊度 tu及水体流量 fr，并识别获取单位面积上内水体表面漂浮物的量，获取漂浮物密度 fo；在汇总后建立水体监测数据集合；

12、将水体监测数据集合内的数据依据类别进行归类，获取若干个监测数据组，并将其在监测数据内沿着采集时间依次排列，在接收到预警指令后，分别对各个监测数据组内的数据做数据质量分析，对水体监测数据集合内的各项数据进行质量评估。

13、进一步的，质量评估方式如下：获取各个监测数据组内数据的异众比率，在获取监测数据组内的各个数据的接近中性心后，平均获取监测数据组内各个数据的接近中心性均值，水体监测数据集合的数据质量指数，其具体方式如下：

14、其中，系数意义为： n为大于1的正整数，，其为监测数据组的总数，权重系数：，且；

15、为接近中心性均值的预设合格标准值，为异众比率的预设合格标准值；其中，为监测数据组内数据在 i位置上的值，若所获取的数据质量指数低于预设的质量阈值，发出修正指令。

16、进一步的，接收到修正指令后，将子区域各个监测数据组内的数据沿着采集时间有序排列，并依照如下方式计算各项数据的稳定度：

17、

18、其中， k为大于1的正整数，，其为监测数据组内数据的总数，若该组数据的稳定度低于稳定度阈值，则标记为低质量数据组；

19、对低质量数据组内的各个数据进行筛选，获取到均值后，将其中大于均值且大于的比例高于异常比例的部分确定为异常值；以双线性插值法对异常值进行替换，在替换后完成对低质量数据组的修正，汇合其余监测数据组，生成水体修正数据集合。

20、进一步的，经过持续性降雨后，在修正后的监测数据的基础上生成水体变化的区域风险指数，其具体方式如下：将经过修正后的浑浊度 tu、水体流量 fr及漂浮物密度 fo做线性归一化处理，并将相应的数据值映射至区间内，再依据如下方式：权重系数：，且，此处， n为监测数据获取的个数；

21、为在各个子区域内浑浊度的均值，为浑浊度的合格标准值，为在各个子区域内水体流量的均值，为水体流量的合格标准值，为在各个子区域内漂浮物密度的均值；

22、为漂浮物密度的合格标准值，为浑浊度在 i时刻的值，为水体流量在 i时刻的值，为漂浮物密度在 i时刻的值。

23、进一步的，在获取各个子区域内的区域风险指数后，依据如下方式获取监测区域内水体的风险指数：

24、

25、其中，权重系数：， m为子区域的个数，是大于1的正整数，为区域风险指数在 i子区域的值，为在各个子区域内区域风险指数的均值；若所获取的风险指数 rs( u, r, o)超过第二风险阈值，发出第一报警指令。

26、进一步的，在风险指数未超过第二风险阈值时，以固定间隔连续获取若干个风险指数，汇总后建立风险指数集合，结合风险指数集合内的数据，通过平滑指数预测法对风险指数的变化趋势进行预测，获取风险指数的预测值，若所获取的风险指数预测值较当前值增加，且增加比例超过预设的比例阈值，向外部发出第二报警指令。

27、进一步的，对监测区域内进行数据采集，并在预处理后的数据汇总建立建模数据集合，对所述建模数据集合内的数据进行特征提取，获取若干个数据特征，汇总后建立模型特征集合；选择 bp神经网络模型建立初始模型，对初始模型进行训练和测试后，将训练后的初始模型作为监测区域内水体流动模型；

28、在接收到第一或者第二报警指令后，以天气条件变化作为输入，使用训练后的水体流动模型对监测区域内的水体变化进行持续预测，将获取的若干个预测结果汇总，建立水体预测数据集合并再次生成风险指数，若所述风险指数超过第二风险阈值，将水体预测集合发出。

29、进一步的，对所获取的水体预测集合内的数据进行特征识别，获取识别结果并以此作为水体特征，将预测获取的若干个特征汇总，获取水特征集合；使用训练后的相似度模型或者类似的匹配模型，依据水体特征与调度方案库内调度方案间的对应性，匹配出相对应的若干个水体调度方案，将其标记为待选方案。

30、进一步的，在预测周期内获取预测的天气条件并作为预测条件，结合预测条件后，使用训练后的水体流动模型对若干个待选方案进行仿真分析，由仿真分析结果对调度方案的效果进行判断；其具体方式如下：在执行各个待选方案后，以固定的时间间隔连续获取若干组的浑浊度 tu、水体流量 fr及漂浮物密度 fo，在汇总后再次关联生成风险指数，将风险指数较前值降低比例最大的作为选定方案，将选定方案输出。

31、（三）有益效果

32、本发明提供了一种基于人工智能的水资源调度监测系统，具备以下有益效果：

33、1、通过对持续降雨量的监测，对水体的洪水隐患进行第一轮的预警，又通过对地下水位 wu及土层含水量 ws的持续监测，获取水体洪涝风险的预警指数，以预警指数对水体会产生风险的可能性进行评估，对水体是否会产生安全隐患形成评估，在依据评估结果对水体采取安全措施后，可以减少安全隐患的发生。

34、2、在获取异众比率及接近中心性均值的基础上，关联获取数据质量指数，以数据质量指数对整体数据质量是否达标进行判断，对各个监测数据组内的异常值以双线性插值法对异常值进行替换以完成修正，可以减少异常数据的产生，提高数据质量，保障报警时的准确性。

35、3、获取各个子区域内的域风险指数后，获取风险指数，以其对当前存在水体风险进行评估，当前存在风险时进行报警，反之，则对风险指数的变化趋势进行预测，以获取风险指数的预测值，对水体风险形成预警效果，在已经接收到预警指令的基础上，实现对水体风险的验证，从而对水体进行监控时，能够对可能会产生的风险进行稳定的报警和预警，尽量避免风险的产生。

36、4、使用 bp神经网络模型训练获取监测区域内水体流动模型，仍处于持续降雨的条件下时，结合训练后的监测区域内水体流动模型，对水体风险进行预测，若是存在风险，则输出更加全面的预测结果，以便于对可能存在安全隐患的水体做相应的处理，避免风险的产生。

37、5、由预先构建好的调度方案库快速的匹配出若干个待选方案，从而在降低水体风险时，能够有效的节省方案的制定时间，在处理风险时，能够做出更充分的准备，而且通过自动匹配方案也可以避免产生不必要的风险；在待选方案具有多个时，结合训练后的水体流动模型对方案进行仿真测试，能够对方案形成筛选，确定出其中效果最佳的，从而对水体完成监控确认风险即将产生时，能够更为高效有效地进行针对性处理，避免风险的产生。