(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111443818.7 (22)申请日 2021.11.30 (65)同一申请的已公布的文献号 申请公布号 CN 114139802 A (43)申请公布日 2022.03.04 (73)专利权人 贵州乌江水电开发有限责任公司 地址 550002 贵州省贵阳市南明区新 华路9 号 (72)发明人 谢志奇　杜泽新　宋尔进　曾体健　 张玉吉　李林　张孙蓉　崔珂伟　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 刘小莉 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 109389540 A,2019.02.26 CN 10495 0856 A,2015.09.3 0 CN 111476676 A,2020.07.31 CN 103714426 A,2014.04.09 CN 113052373 A,2021.0 6.29 US 2008262735 A1,2008.10.23 李景保.三峡水库运行 下长江中游典型河段 水情变化及趋势预测. 《冰川冻土》 .2016,第 1373-1384页. 审查员 李慧芳 (54)发明名称 一种基于流域水情变化趋势分析模型的实 时优化调度方法 (57)摘要 本发明公开了一种基于流域水情变化趋势 分析模型的实时优化调度方法， 包括： 采集历史 流域水情信息以及实时流域水情信息； 建立流域 水情变化趋势分析模型， 利用所采集历史流域水 情信息对所述流域水情变化趋势分析模型进行 训练及测试； 将所述实时流域水情信息输入到训 练好的流域水情变化趋势分析模 型中， 预测固定 时间内的水情变化趋势； 根据所述水情变化趋势 与调度模型建立耦合关系， 根据所述耦合关系提 取数据库中相对应的最优的调度方案， 完成实时 优化调度。 本发 明可以根据实时监测流域水情变 化情况， 预测流域水情的变化趋势， 作出合理、 科 学的调度方案， 获取最大的发电效益， 提升公司 优化调度能力。 权利要求书2页 说明书6页 附图1页 CN 114139802 B 2022.12.06 CN 114139802 B 1.一种基于流 域水情变化趋势分析模型的实时优化调度方法， 其特 征在于， 包括： 采集历史流 域水情信息以及实时流 域水情信息； 建立流域水情变化趋势分析模型， 利用所采集历史流域水情信 息对所述流域水情变化 趋势分析模型进行训练及测试； 将所述实时流域水情信 息输入到训练好的流域水情变化趋势分析模型中， 预测固定时 间内的水情变化趋势； 所述流域水情变化趋势分析模型的构建过程包括， 基于所述流域水情信 息构建所述流 域水情变化趋势分析模型： 对特征序列a进行定性分析， 确定所述流域水情变化趋势分析模型的相关影响因素序 列A； 计算所述特 征序列与各影响因素的变化 率、 变化率关联系数和变化 率关联度； 根据所述变化 率关联度的大小， 对所述相关影响因素进行排序， 确定其时间分解指数； 根据所述时间分解指数对关联时间进行分解， 得到各子时间的关联序； 根据所述相关影响因素序列的关联序以及所述各子时间的关联序， 得到所述流域水情 变化趋势分析模型的序列间变化 率关联程度大小的量 化关系； 根据所述水情变化趋势与调度模型建立耦合关系包括， 其中， X(t)表示t时刻水量大小， s(t)表示t时刻的水情变化率， e表示应急事件处理效 率， E表示应急储水量的最大值， μ表示转换效率， v(t)表示调度因子的大小， P(t)表示调度 方案中所需要的物力供应， m、 n表示不同的影响因素， 根据所述耦合关系提取数据库中相对 应的最优的调度方案， 完成实时优化调度。 2.如权利要求1所述的基于流域水情变化趋势分析模型的实时优化调度方法， 其特征 在于： 所述流域水情信息包括固定时间内的水流方向变化信息、 水量变化信息、 降水量信息 以及气候信息 。 3.如权利要求2所述的基于流域水情变化趋势分析模型的实时优化调度方法， 其特征 在于： 将所述历史流域水情信息分为训练集和测试集， 其划分比例为7:3， 利用所述训练集 对所述流域水情 变化趋势分析模型进 行训练， 并用所述测试集对每一次训练好的流域水情 变化趋势分析模型进 行测试， 当测试所述模型达到预设精度时， 停止训练， 得到训练好的流 域水情变化趋势分析模型。 4.如权利要求3所述的基于流域水情变化趋势分析模型的实时优化调度方法， 其特征 在于： 所述 流域水情变化趋势分析模型的公式形式包括， 构建深度学习框架， 定义 其损失函数为：权　利　要　求　书 1/2 页 2 CN 114139802 B 2其中， T为集中样本数量， wsi为第si个类别的权重， C为类中心， yi为待分类 的特征， ρ 为 平衡损失的超参数， Sj是softmax的其中输出向量S的第j个值， 表示相关影响因素属于第j 个类别的概 率； 交叉熵函数为： 其中， L表示损失， Sj是softmax的其中输出向量S的第j个值， 表示相关影响因素属于第j 个类别的概 率， j的范围是1到类别数T。 5.如权利要求4所述的基于流域水情变化趋势分析模型的实时优化调度方法， 其特征 在于： 还包括， 使用MXNET深度学习框架对标注好的所述 流域水情信息进行读取； 并对搭建的所述深度神经网络进行训练； 利用所述损失函数预测的结果与真值的误差的大小； 再利用梯度优化器对所述深度神 经网络的参数进行 更新； 直至训练指标达 到98％以上。 6.如权利要求5所述的基于流域水情变化趋势分析模型的实时优化调度方法， 其特征 在于： 所述固定时间为3 6小时。权　利　要　求　书 2/2 页 3 CN 114139802 B 3