基于QPSO-BiGRU的引水渠道冰期水温智能预测方法

本发明属于水利工程信息化，特别是涉及一种水温多步智能预测方法。

背景技术：

1、引水渠道冰期水温预测方法是模拟预测输水调水工程水温变化的重要技术手段之一，也是减少冬季复杂环境下水利工程灾害的重要非工程措施之一。引水渠道冰期水温预测方法在保护河流的生态系统、保障输水调水工程安全运行等方面都有广泛的应用，水温预测能够有效预防冰害，确保输水调水工程的稳定运行，对保障人民的生命财产安全和社会经济发展具有一定的现实意义。

2、冬季气温骤降导致了工程冰期输水常常面临结冰风险，严重影响了工程的正常运行和供水效率。为了保障冬季输水安全，目前中线工程冬季输水多采用冰盖下输水方式，然而，总干渠冰期供水能力大幅下降，受水区不断增加的用水需求与工程供水能力的供需矛盾更加突出。因此，如何对引水渠道进行准确及时的冰期水温预测，保障引水渠道冰期输水安全，提升工程冰期输水效率，充分发挥工程效益，是当前亟需研究的重要问题。

3、目前，在进行水温预测研究时，常常通过原型观测、试验研究及数值模拟等方法进行分析和研究，即通过假定参数进行模拟计算，由于观测精度低、模型比尺及参数设置等问题，目前的研究方法难以达到理想的效果。此外，模型参数的选择和调整往往需要通过大量的试错过程完成，模型的复杂性和计算量难以保证其预测结果全局最优，使其在大范围应用时面临巨大的工作量和时间成本问题，且无法保证模型在不同条件下的适用性和准确性。另外，目前广泛使用的单步预测方法虽然可以在某些情况下提供较为精确的短期预测，但在实际应用中，多步预测方法能够提供多个时间步长的水温信息、支持更复杂的决策过程，通过多步预测，能够更深入地理解冰期水温的动态变化，揭示未来一段时间内的温度趋势和波动，这对于优化资源配置，避免因预测不准确而导致的资源浪费或短缺具有重要意义。

4、随着人工智能技术的不断发展，许多先进的智能算法应用于求解水温预测背景下的各类优化问题，并取得了较好的效果。qpso算法和bigru模型是人工智能技术的重要分支。qpso算法的主要特点是群体搜索策略和群体之间的信息交换，通常能够在显著低于常规计算方法所需的时间内完成问题的求解。bigru模型则以其规则简单、通用性强和性能良好等优势，在网络正向和反向传播过程中均可获取信息，充分挖掘序列的信息特征，提高方法预测精度，在处理时间序列数据方面表现出色。以及，qpso算法将量子理论应用于粒子行为，根据量子粒子群平均最优粒子位置并利用收缩扩张因子来更新粒子位置，避免了粒子群算法容易陷入局部最优问题，增强了全局收敛能力。bigru模型克服了传统循环神经网络中梯度消失和梯度爆炸的问题，可以学习长期和短期依赖关系，同时，简化了长短期记忆模型内部复杂的门结构，减少了网络训练参数的数量，具有更高的计算效率。

5、循环神经网络(rnn)已成功地应用于许多领域，rnn内部状态可以用于处理与时间相关的序列。gru与传统的rnn不同，gru可以学习长期和短期依赖关系。同时，简化了lstm内部复杂的门结构，得到了只包含重置和更新门的gru，减少了网络训练参数的数量，具有更高的计算效率。

技术实现思路

1、针对现有水温预测方法存在的预测精度不高、预见期短、模型调试时间较长的问题，本发明提供了一种基于qpso-bigru的引水渠道冰期水温智能预测方法，将qpso算法与bigru模型结合，得到参数自适应智能率定的水温预测模型，结合高效的模型自适应智能率定实现了高精确度水温多步智能预测。

2、为了达到上述发明目的，本发明所采用以下的技术方案：

3、一种基于qpso-bigru的引水渠道冰期水温智能预测方法，包括以下步骤：

4、获得输入气象运行因子包括最低气温、日均气温、流量、滑动三日负积温、滑动三日气温在内的水温数据，进行归一化处理；

5、构建基于qpso-bigru的引水渠道冰期水温智能预测模型，以气象运行因子的水温数据即最低气温、日均气温、流量、滑动三日负积温、滑动三日气温和和前(t-1)天至(t-s)天的测站水温序列wt(t-1)、wt(t-2)、……wt(t-s)共同作为模型的输入因子，t表示当前预测时刻，s表示测站水温序列的输入步长；

6、进行qpso算法的参数初始化，通过迭代得到最佳适应度值的粒子对应的参数作为优化后的bigru模型的超参数；

7、构建基于bigru单元的预测模型本体的决策模型，由两个gru单元状态同时计算分析当前时刻t的预测水温决策信息如下式所示：

8、

9、式中，和表示两个gru单元正向和反向传播的输出，和表示两个gru单元正向和反向传播的权重；

10、利用qpso算法对bigru模型的学习率、隐含层神经元节点数量进行自动寻优，将qpso算法中具有最佳适应度值的粒子对应的参数作为优化后的bigru模型的超参数；

11、计算粒子种群最优位置的平均值，依据平均值更新粒子位置；重复步骤三至步骤四，直到达到迭代的最大次数，迭代结束后，更新粒子位置作为全局粒子的最优位置gbest，在最优位置gbestg获得具有最佳适应度值的粒子作为最优解，该粒子所对应的与水温变化过程相关的模型参数作为优化后的bigru模型的超参数；

12、根据优化后的bigru模型的超参数和基于qpso-bigru型的水温智能预测模型实现水温多步智能预测计算，输出水温预测结果。

13、与现有的水温预测方法相比，本发明的有益效果及优点在于：

14、1)能够在处理复杂非线性水温变化问题时，更加高效地捕捉水温变化特征，提高多步预测的可靠性和预见期，适应多种水温影响因子，从而更好地满足引水渠道冰期水温预测需求；

15、2)不仅在理论上具有创新性和先进性，而且在实际应用中具有重要的现实意义和广泛的应用前景，可为引水渠道冰期水温预测提供有效的技术支持；

16、3)结合了qpso算法和bigru模型的优势，简化模型参数的率定过程，显著地缩短了模型调试时间，提高了模型率定和使用效率；

17、4)减小了因预测模型超参数设置产生的误差，提高了水温多步智能预测的精确度。

技术特征：

1.一种基于qpso-bigru的引水渠道冰期水温智能预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于qpso-bigru的引水渠道冰期水温智能预测方法，其特征在于，其中，在每次迭代中，qpso算法根据当前粒子的参数设置生成水温预测值，与真实值进行比较，计算出均方误差mse；对于每个粒子，如果当前迭代中的mse低于该粒子在之前迭代中的最小mse，则更新该粒子的最优位置pbest为当前参数设置，并记录当前的最小mse；在整个种群中，如果某个粒子当前的mse低于之前任何粒子记录的最小mse，则更新全局最优位置gbest为该粒子的当前参数设置，并记录全局的最小mse；这个过程中，粒子最优位置和全局最优位置不断更新，找到一组使水温预测模型精度最高的参数组合。

3.如权利要求1所述的一种基于qpso-bigru的引水渠道冰期水温智能预测方法，其特征在于，更新的数值大小决定预测模型更倾向于保持前一时刻的水温预测趋势或预测模型更依赖于当前时刻的输入数据来调整水温预测。

4.如权利要求1所述的一种基于qpso-bigru的引水渠道冰期水温智能预测方法，其特征在于，预测结果为从一天至七天不同预见期的的水温多步智能预测值。

5.如权利要求1所述的一种基于qpso-bigru的引水渠道冰期水温智能预测方法，其特征在于，以输入气象运行因子预测的水温值的均方误差作为适应度函数，如下式所示：

6.如权利要求1所述的一种基于qpso-bigru的引水渠道冰期水温智能预测方法，其特征在于，所述bigru单元中的两个gru单元分别具有重置门rt和更新门zt，重置门rt用于调节预测模型对气象运行条件的记忆程度；更新门zt用于权衡过去的历史水温状态与当前气象条件的影响；

技术总结
本发明公开了一种基于QPSO‑BiGRU的引水渠道冰期水温智能预测方法，获得输入因子数据包括最低气温、日均气温、流量、滑动三日负积温、滑动三日气温在内的气象运行因子的水温数据，进行归一化处理；构建基于QPSO‑BiGRU的引水渠道冰期水温智能预测模型和构建基于BiGRU单元的预测模型本体的决策模型，利用QPSO算法对BiGRU模型进行自动寻优，得到优化后的BiGRU模型的超参数；根据步骤四得到的优化后的BiGRU模型的超参数和步骤二构建的基于QPSO‑BiGRU型的水温智能预测模型实现水温多步智能预测计算，进行预见期为一天至七天的水温多步智能预测，并输出预测结果。与现有技术相比，本发明结合高效的模型自适应智能率定实现了高精确度水温多步智能预测。

技术研发人员：王秀杰,牛梦雅,田福昌,乔鸿飞,郭立兵,杨东旭
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/12/5