技术摘要：
本发明属于水库运行控制领域，公开了基于循环神经网络和关注机制的水库水位预测方法，包括：收集流量、水位数据，形成数据集，并对数据集分类；对数据集的水位、流量数值进行变换，得到标准数据集；构建带有关注机制的循环神经网络模型，定义目标函数；选择标准数据集  全部
背景技术：
水库关键断面水位的预测计算在水库防洪调度中具有重要作用。传统方法通常是 在给定入库流量和坝前水位的条件下，通过求解水动力学方程(圣维南方程组)计算库区内 全部断面的水位和流量，关键断面的水位就包含在其中。该方法的优点是有完整的数学理 论支撑，可以通过构建较为详细的河网空间分布结构，将各个水力参数完整地联系在一起 构成一个整体，处理方便，且能适应各类初始条件；它的缺点是在模型建立之后，还需要检 验其是否符合要求，尤其对于敏感性参数河道糙率的率定和验证，需要花费大量的人力劳 动、时间和计算费用，且对输入的边界条件的准确性要求很高。 对于大型水库而言，特别是在汛期，水动力学模型的精度并不高，主要原因可以归 纳为以下三点：(1)水库的入库流量难以精确统计。对于绵延数百公里的大型水库，区间的 降雨、山洪等汇入流量难以精确计算，使得模型的边界条件不准确，这是造成误差的主要原 因；(2)水动力学模型存在系统性误差。水动力学模型依赖于河道的地形和断面的位置，这 些数据均存在测量误差，且大型水库河道长、断面数量大，其累计误差亦会影响水位的预测 效果；(3)圣维南方程组成立的条件在汛期可能不满足。缓流是圣维南方程组建立的前提条 件，在汛期降暴雨或者大流量过程中，流速通常会显著增大，圣维南方程组的适用性降低。 我国长江流域三峡水库库区水面线计算经过十几年的研究，其重要断面长寿站水 位仍然有1-3米计算误差，因此造成水动力学模型计算误差的原因极难克服。针对这一技术 难题，目前尚未提出有效的解决方案。
技术实现要素：
本发明的技术问题是现有的通过求解水动力学方程计算大型水库关键断面水位 的方法受入库流量、河道断面等测量和统计误差的影响，预测计算的关键断面水位精度不 高，且引起这些误差的原因极难克服。 本发明的目的是解决上述问题，提供一种基于循环神经网络和关注机制的水库水 位预测方法，通过在水库运行的历史数据中学习知识，寻找水库出入库流量以及坝前水位 与关键断面水位的映射关系，利用历史信息提高关键断面水位的计算精度；该方法是一种 数据驱动的方法，借助梯度下降优化算法[1]，自动地学习数据之间的关联，相较于传统的水 动力学方法，它降低了对边界条件准确性的依赖，只需未来边界条件准确性与历史边界条 件准确性保持基本稳定即可。同时，该方法具有进化能力，对关键断面水位的计算精度可随 着历史数据的积累而不断提升，能够有效克服传统水动力学方法计算精度不高的问题。 本发明的技术方案是基于循环神经网络和关注机制的水库水位预测方法，包括以 下步骤， 3 CN 111553394 A 说　明　书 2/5 页 步骤1：收集水库出入库流量和坝前及关键断面水位的历史数据，形成数据集，并 对数据集进行分类； 步骤2：分别对每类数据集的水位、流量数值进行变换，映射到区间[0,1]，得到标 准数据集，将每类的标准数据集按照80％为训练集、10％为验证集和10％为测试集的原则 进行数据分割； 步骤3：针对每类数据集，分别构建带有关注机制的循环神经网络模型； 步骤3.1：建立循环神经网络模型，以水库出入库流量和坝前水位作为神经网络模 型的输入，神经网络模型的输出为预测的关键断面的水位； 步骤3.2：基于循环神经网络模型，定义优化目标函数，优化目标为预测水位与实 测水位的误差最小； 步骤4：选择步骤2中的训练集训练循环神经网络模型，对步骤3的目标函数进行求 解，得到优化后的模型参数； 步骤5：选择步骤2中的验证集对循环神经网络模型进行验证，若验证的预测效果 不合格，则调整模型的超参数，重新对模型进行训练，执行步骤4；若通过验证，则执行步骤 6； 步骤6：选择步骤2中的测试集对循环神经网络模型进行测试，并记录测试结果，评 价模型； 步骤7：将实时出入库流量和坝前水位作为模型的输入，得到模型的输出即预报的 关键断面的水位。 进一步地，步骤1中，所述对数据集进行分类，根据水情，按照不同的入库流量和坝 前水位等级对数据集进行分类。 进一步地，步骤3中，所述优化目标函数为最小二乘函数。 优选地，所述优化目标函数包括最小二乘项和神经网络参数的正则项，神经网络 参数的正则项及其权重系数用于防止网络参数过拟合。 优选地，步骤4中，所述对步骤3的目标函数进行求解，采用梯度下降法对目标函数 进行求解。优化算法的每次迭代，均是从训练集中选取一部分样本进行，而非训练集全部， 以加快模型收敛速度，并提升预测效果。 优选地，所述循环神经网络模型采用GRU(Gated  Recurrent  Unit)计算节点。 相比现有技术，本发明的有益效果是：通过引入数据驱动的思想，利用带有关注机 制的循环神经网络，直接学习水库出入库流量和坝前水位到关键断面水位的映射关系，模 型的计算精度既能够随着水库运行数据的积累不断提高，又对边界条件准确性的依赖低， 能够有效克服传统水动力学方法计算精度不高的问题。在水库的汛期调度中，可以精准地 预测关键断面水位，为大型水库或梯级水库的防洪、兴利调度决策提供技术支撑。 附图说明 下面结合附图和实施例对本发明作进一步说明。 图1为本发明的水库水位预测方法的流程示意图。 图2为实施例的不同水情的数据分类图。 图3为实施例的带有关注机制的循环神经网络结构示意图。 4 CN 111553394 A 说　明　书 3/5 页 图4为实施例的三峡水库2009-2019年长寿站预测水位与实测水位对比效果图。 图5为实施例的三峡水库2011年长寿站预测水位与实测水位对比效果图。 图6为实施例的三峡水库2012年长寿站预测水位与实测水位对比效果图。 图7为实施例的三峡水库2014年长寿站预测水位与实测水位对比效果图。 图8为实施例的三峡水库2017年长寿站预测水位与实测水位对比效果图。