(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 202111319072.9 (22)申请日 2021.11.09 (65)同一申请的已公布的文献号 申请公布号 CN 114036838 A (43)申请公布日 2022.02.11 (73)专利权人 云南大学 地址 650091 云南省昆明市五华区翠湖北 路2号 (72)发明人 王加红　李亚　陆颖　袁旭　 王子伟　秦鑫　熊定松　赖红　 郭子璞　晏翠玲　张珂瑶　 (74)专利代理 机构 天津煜博知识产权代理事务 所(普通合伙) 12246 专利代理师 朱维(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 113/08(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 112116147 A,2020.12.2 2 审查员 冯敏科 (54)发明名称 一种基于多层LSTM神经网络的垂向水温模 拟方法 (57)摘要 本发明涉及一种基于多层LSTM神经网络的 垂向水温模拟方法。 本发明搜集流域的气象水文 数据集并修订气象水文数据集； 对修订的气象水 文数据集进行标准化和归一化处理得到模型输 入数据集； 采用Norton密度佛汝德数法进行水库 水温结构判别得到水库水温结构类型； 采用MI互 信息计算模型输入数据集与表层水温的MI值， 进 行表层水温模 型输入数据的筛选； 构建表层水温 LSTM神经网络 预测模型， 模型经训练和验证得到 模拟表层水温； 根据水库水温结构类型、 上一层 水温及表征河槽形态的相对储水量因子， 采用MI 互信息计算模型输入数据集与各深度层水温的 MI值， 对垂向水温模型输入数据集完成优化； 构 建垂向水温多层LS TM神经网络预测模型， 模型经 训练和验证得到垂向水温模拟方法。 权利要求书4页 说明书17页 附图3页 CN 114036838 B 2022.07.19 CN 114036838 B 1.一种基于多层LSTM神经网络的垂向水温模拟方法， 其特 征在于， 具体步骤如下： (1)搜集流域的气象水文数据集， 其中气象水文数据集包括目标断面的表层水温时间 序列和水位； (2)判断步骤(1)气象水文数据集中数据集的完整性， 对数据集进行异常值检测， 若数 据集中出现单个缺失或异常， 采用其对应的特征平均值代替； 若数据集中出现连续多个缺 失或异常， 则采用线性插值法计算相应值， 形成修 订气象水文数据集； (3)将步骤(2)修 订气象水文数据集进行 标准化和归一 化处理得到模型输入数据集； (4)采用N orton密度佛汝德数法进行 水库水温结构判别得到水库水温结构类型； (5)采用MI互信息计算模型输入数据集对表层水温的影响大小， 进行输入数据的筛 选； (6)构建表层水温单层LSTM神经网络预测模型， 将步骤(5)筛选 的输入数据中前2/3的 数据作为表层水温LSTM神经网络的训练集， 剩余的1/3数据作为验证集， 采用训练集的数据 对表层水温LSTM神经网络进行训练； (7)采用步骤(6)经训练的表层LSTM神经网络对验证集进行表层水温模拟， 并采用实测 表层水温数据对模拟结果进行验证， 其中验证方法为采用相关性系数r、 均方根误差RMSE、 Nash‑Sutcliffe效率系数NSE和平均误差 MAE对模型精度进行评估； (8)根据步骤(4)水库水温结构类型、 上一层水温和各深度层对应的相对储水量， 构建 相应水库水温结构类型的垂向水温模型， 采用MI互信息计算模型输入数据集对垂向水温的 影响大小， 进行输入数据的筛 选； (9)构建垂向水温多层LSTM神经网络预测模型， 采用步骤(8)筛选的输入数据和垂向水 温时间序列中前2/3的数据作为垂向水温多层LSTM神经网络的训练集， 剩余的1/3数据作为 验证集， 对垂向水温LSTM神经网络进行训练； (10)采用步骤(9)经训练的垂向LSTM神经网络对验证集进行垂向水温模拟， 并采用实 测水温数据对模拟结果进行验证， 其中验证方法为采用相关性系数r、 均方根误差RMSE、 Nash‑Sutcliffe效率系数NSE和平均误差 MAE对模型精度进行评估。 2.根据权利要求1所述基于多层LSTM神经网络的垂向水温模拟方法， 其特征在于： 步骤 (1)气象水文 数据集还包括降水、 入库流量、 出库流量、 气温、 风速、 风向、 露点温度、 云量、 相 对湿度中的一种或多种。 3.根据权利要求1所述基于多层LSTM神经网络的垂向水温模拟方法， 其特征在于： 步骤 (2)数据集的完整性判断采用作图法， 绘制各要 素的日尺度时间过程线， 通过有 无断点判断 数据集的完整性； 异常值检测采用作图法， 绘制各要 素的日尺度时间过程线， 通过有 无突跳 点， 根据各要素的正常值 域范围， 判别数据是否异常。 4.根据权利要求1所述基于多层LSTM神经网络的垂向水温模拟方法， 其特征在于： 步骤 (4)Norton密度佛汝德数判别公式为 式中： Fr为密度佛汝德数； L为水库长度， m； Q为入库流量， m3/s； H为平均水深， m； V为库 容， m3； E为标准 化的垂向密度梯度， E＝Δρ /( ρ0H)； g为重力加速度， m3/s； 当Fr>1.0时， 水库为完全混合型； 当0.5<Fr<1.0时， 水库为混合型；权　利　要　求　书 1/4 页 2 CN 114036838 B 2当0.1<Fr<0.5时， 水库为弱分层型； 当Fr<0.1时， 水库为稳定分层型。 5.根据权利要求1所述基于多层LSTM神经网络的垂向水温模拟方法， 其特征在于： 步骤 (5)和步骤(8)中输入 数据的筛选方法为MI互信息， 利用MI互信息方法进行输入 数据集的筛 选步骤为 1)分别计算 步骤(4)中归一 化后的各气象水文数据输入数据集X对应的熵H(X)： 2)计算各气象水文数据输入数据集X与水温时间序列Y的联合熵H(X,Y)： 3)计算各气象水文数据输入数据集X与水温时间序列Y的条件熵H(X|Y)： 4)熵、 条件熵、 联合熵之间的关系如下： H(X,Y)＝H(X)+H(X|Y)                   (5) 5)计算各要素与水温数据的互信息如下： I(X,Y)＝H(X)+H(Y) ‑H(X,Y)                 (6) 式中： n为输入数据集中的自变量个数， Y表示水温， 各气象水文数据输入数据集为x1, x2,…,xn， 对应概率密度函数值分别为p1,p2,…,pn， p(x,y)为联合概率分布， p(x|y)为条件 概率； 6)采用MI互信息进行数据筛选， 计算输入数据集中每个影响因素的互信息MI值， 对MI 值进行由大到小排序， 根据排序结果， 筛选出与水温最大相关、 最小冗余的环境因子， 排除 MI值最小的影响因子 。 6.根据权利要求1所述基于多层LSTM神经网络的垂向水温模拟方法， 其特 征在于： LSTM神经网络包括遗 忘门、 输入门、 输出门和记 忆单元； 遗忘门通过sigmo id函数决定上一时刻的输出 数据通过或部分通过以过 滤信息； 输入门通过sigmo id函数筛 选输入数据以更新信息； 输出门通过sigmoid函数得到初始输出值， 使用tanh函数对初始输出值进行处理得到 一个‑1～1的值， 再将该值与初始输出值逐对相乘得到最终输出值； 其中 ft＝σ(Wfhht‑1+Wfxxt+bf)                  (7) it＝σ(Wihht‑1+Wixxt+bi)                  (8) ot＝σ(Wohht‑1+Woxxt+bo)                  (11) 式中： ft为遗忘门输出； it为输入门输出； ot代表输出门输出； 为当前输入单元状态； xt 为时间序列中t时间的输入数据； ht‑1是t上一时间记忆块的输出结果； Wfh为遗忘门到单元输权　利　要　求　书 2/4 页 3 CN 114036838 B 3