买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福建中锐网络股份有限公司

摘要：本发明涉及一种基于PSO‑LSTM‑Attention模型的水库水位预测预警方法，包括以下步骤：步骤S1:获取水库历史监测数据，并预处理；步骤S2:基于预处理后的水库历史监测数据，获取模型输入特征；步骤S3:基于PSO搜索LSTM‑Attention模型最优参数；步骤S4:基于步骤S3得到的最优参数，构建并训练LSTM‑Attention模型；步骤S5:基于训练后的LSTM‑Attention模型，进行水库水位实时预测。本发明能可靠预测水库水位，为调整泄洪量提供可靠数据，实现对汛期的预防。

主权项：1.一种基于PSO-LSTM-Attention模型的水库水位预测预警方法，其特征在于，包括以下步骤：步骤S1:获取水库历史监测数据，并预处理；步骤S2:基于预处理后的水库历史监测数据，获取模型输入特征；步骤S3:基于PSO搜索LSTM-Attention模型最优参数；步骤S4:基于步骤S3得到的最优参数，构建并训练LSTM-Attention模型；步骤S5:基于训练后的LSTM-Attention模型，进行水库水位实时预测；所述步骤S2具体为：步骤S21:构造的函数表达式，并根据fα、水库水位观测时间，进行时效分量构造，得到时效分量fα＝a1α+a2lnα其中a1，a2为系数，t为监测当日至起始监测日的累计天数；步骤S22:水位特征变换的函数表达式如下所示： 其中水库水位数据采集时间为Ttt＝0，1，2，…，n，为T0～Tn时段的水库水位,Hi为的任意一个非空子集,W为水库水位；根据fW进行水库水位特征变换得W1,W2,W3分别为： 步骤S23:采用最大最小值归一化，对不同特征进行处理；步骤S24:遍历提取数据，设置滑动窗口的长度为w，提取连续w个单位时间的数据作为输入特征，第w+1到w+f单位时间的数据作为标签对数据进行分割，窗口滑动步长为1；其中f为预测长度，表示向后预测f个单位时间的水位数据,具体表示为：输入特征因变量Y＝yw+1,yw+2,yw+3,…,yw+f其中输入特征X为w个连续单位时间的时效因子、水位、出库水量、降雨量，因变量为输入特征之后f个单位时间的数据；所述LSTM-Attention模型包括两个LSTM+Dropout层，一个attention层，一个Flatten层，一个Dense层；所述步骤S3具体为：步骤S31:设置粒子群的寻优参数为x[0]:滑窗步长、x[1]:第一层神经元个数、x[2]:dropout率、x[3]:第二层神经元个数、x[4]:dropout率、x[5]学习率、x[6]:batchsize；步骤S32:设定粒子位置取值范围；步骤S33:采用MSE作为粒子群的目标函数，搜索令MSE最小的参数组合；步骤S34:设置粒子群算法参数；步骤S35:初始化粒子位置与速度；步骤S36:将每个粒子输入模型，得到每个粒子在LSTM-Attention模型中的测试集预测值，并计算出每个粒子对应的MSE；步骤S37:更新粒子的个体最优与种群最优位置,若当前粒子比该粒子历史最优位置的MSE更小，则更新该个体最优MSE；若当前种群最优个体比种群最优位置的MSE更小，则更新种群最优MSE；步骤S38:更新每个粒子的速度，再使用更新后的速度更新粒子的位置；步骤S39:当终止条件不满足时，重复执行步骤S36-步骤S39，终止条件满足时，则输出全局最优参数；所述模型调用，具体如下：设当前时间为ti,i＝1,2,3,…，时间增量为Δtt＝1,2,3,…，滑动窗口为w，将ti+Δt-w～ti+Δt时刻的降雨量、ti+Δt-1-w～ti+Δt-1时刻的泄洪量、水库水位输入训练好的LSTM-Attention模型，进行ti+Δt时刻的水库水位预测默认的预测步长为预测将来一天的水位，即时间增量Δtt＝1，若采用默认步长，则需要输入参数为ti-w～ti时刻的水库水位、泄洪量，ti+1-w～ti+1时刻的降雨量若需调整步长，即时间增量Δt＞1，则需要输入模型的参数为ti+1+w～ti+1时刻的降雨量、ti-w～ti时刻的泄洪量与水库水位，预测得到ti+1时刻的水库水位，ti～ti+Δt时刻的泄洪量用ti表示，这时让Δt递增，将每个时刻的数据输入模型，预测下一个时刻水库水位，直到预测到ti+Δt-1水库水位时刻。

全文数据：

权利要求：

百度查询： 福建中锐网络股份有限公司 基于PSO-LSTM-Attention模型的水库水位预测预警方法