【技術實現步驟摘要】
本專利技術涉及雨量數據，特別涉及一種雨量監測數據修正優化方法。
技術介紹
1、雨量數據是一種非常重要的基礎數據，根據雨量數據可以用于預測干旱、水災、河道水庫水位線等重要自然災害指標，因此其準確度至關重要。
2、傳統監測雨量主要通過翻斗式機械測量，但其長時間暴露在自然環境中，容易出現各種物理故障，導致雨量數據嚴重失真。隨著電子設備的高速發展，電子傳感器因其低廉的價格和穩定性成為了數據監測的主流手段。
3、目前常用的數量監測傳感器兩種，一種是電容監測傳感器，其原理是雨量變化會引起電容的介電常數發生變化，進而導致電容值的變化。通過測量這種變化，可以建立起雨量變化與電容變化之間的對應關系，從而探知雨量的大小。另一種是電壓監測傳感器，利用壓電振子的壓電效應，將機械振動轉化為電信號，通過測量雨滴沖擊產生的電壓波形來計算降雨量。
4、其不足在于：1、電壓式監測傳感器對于大降雨量時的數據監測較準，但對于沖擊力較小的降雨，其產生的沖擊力可能無法引起機械振動，從而導致數據失真；2、電容式監測傳感器由常數的變化完成雨量監測，但潮濕的環境因素也會引起數據失真。
技術實現思路
1、本專利技術公開了一種雨量監測數據修正優化方法，所述雨量監測數據通過雨量站安裝的電容雨量監測傳感器和電壓雨量監測傳感器獲取，具體方法如下：
2、在修正優化區域內等間隔隨機設立抽樣雨量站；
3、記錄抽樣雨量站在未來時間段若干次降雨時的電容雨量監測數據、電壓雨量監測數據和真實雨
4、根據雨量站的空間坐標和真實雨量數據，構建雨量站空間電容偏差預測模型和雨量站空間電壓偏差預測模型；
5、針對每個雨量站，以粒子群優化算法分配各雨量站的電容權重系數和電壓權重系數；
6、以各雨量站對應的電容權重系數和電壓權重系數，優化歷史記錄的各雨量站記錄的電容雨量監測數據和電壓雨量監測數據。
7、該實施例的優點在于，結合了電容雨量監測傳感器和電壓雨量監測傳感器的優點，針對每一個雨量站的獨特地理環境差異，均單獨設計了融合方案，可修正優化雨量監測數據，顯著提高了數據的準確性。此外，地理環境差異是隨雨量站的空間坐標而連接變化的，因此擬合了地理環境差異與空間坐標變化的數學關系，即可完成地理環境的數字量化。
8、進一步地，雨量站空間電容偏差預測模型和雨量站空間電壓偏差預測模型均為深度學習模型，具體構建方法如下：
9、將真實降雨量劃分為若干真實降雨量區間，針對每個雨量站，均計算在每個真實降雨區間的平均電容雨量監測偏差和平均電壓雨量監測偏差；
10、以雨量站空間坐標、真實降雨量所在區間以及真實降雨量區間對應平均電容雨量監測偏差或平均電壓雨量監測偏差，構建雨量站空間電容偏差預測模型或雨量站空間電壓偏差預測模型訓練樣本；
11、以訓練樣本訓練深度學習模型，獲取雨量站空間電容偏差預測模型和雨量站空間電壓偏差預測模型。
12、該實施例的優點在于，不同程度的降雨量對于兩種傳感器的監測精度有著重要影響，因此將降雨量區間和空間坐標作為最主要的變量，來確定兩種傳感器各自的可信度，找到了一種簡單且可量化復雜變量的方法。
13、進一步地，將真實降雨量劃分為若干真實降雨量區間，具體方法如下：
14、將最大真實降雨量和最小真實降雨量等間隔劃分為預設數量的初始區間；
15、計算每個初始區間，計算每個初始區間內，所有雨量站的電容雨量監測偏差的方差和電壓雨量監測偏差的方差；
16、調整初始區間的上下限范圍，使電容雨量監測偏差的方差和電壓雨量監測偏差的方差的和最小；
17、當迭代次數達到目標，或方差小于預設值時，得到真實降雨量區間。
18、該實施例的優點在于，劃分真實降雨量區間時，需要將有相同偏差特征的降雨量劃分至同一個區間，真實降雨量區間的科學劃分可提高最終數據的準確度。
19、進一步地，所述深度學習模型為神經網絡模型，具體構建方法如下：
20、確定輸入層節點數，輸入層為雨量站區間坐標和真實降雨量所在區域；
21、確定隱含層節點數；
22、確定輸出層節點數，輸出層為電容偏差或電壓偏差；
23、初始化權重和偏置；
24、設置學習率和迭代次數；
25、進行迭代訓練，通過反向傳播算法更新權重和偏置；
26、驗證模型準確率、精確率和召回率。
27、進一步地，以粒子群優化算法分配各雨量站的電容權重系數和電壓權重系數，具體方法如下：
28、獲取雨量站的空間坐標；
29、通過雨量站空間電容偏差預測模型和雨量站空間電壓偏差預測模型，預測該雨量站在每個真實降雨區間內的電容雨量監測偏差和電壓雨量監測偏差；
30、構建適應度函數，以粒子群優化算法求解電容權重系數和電壓權重系數。
31、進一步地，粒子群優化算法求解電容權重系數和電壓權重系數，具體方法如下：
32、隨機生成粒子的位置和速度；
33、初始化每個粒子個體最佳位置和全局最佳位置；
34、根據適應度函數，計算每個粒子的適應度值；
35、根據適應度值，更新個體最佳位置和全局最佳位置；
36、更新每個粒子的速度和位置；
37、直到達到收斂條件，停止迭代；
38、返回全局最佳位置和適應度值作為最優解。
39、進一步地，所述適應度函數，具體公式如下：
40、
41、其中，f(xi)為第i個雨量站的適應度值，j為第j個真實降雨區間，共有n個真實降雨區間，為第i個雨量站的電容權重系數，為第i個雨量站的電壓權重系數，為第i個雨量站在第j個真實降雨區間的平均電容雨量監測數據，為第i個雨量站在第j個真實降雨區間的平均電壓雨量監測數據。
42、該實施例的優點在于，對于每一個雨量站，設置了不變的融合權重，可簡化操作難度，在戶外條件較差的環境下也可輕易實施，適用性強。融合權重的分配考慮了各個雨量區間的綜合偏差，兼顧了各個雨量區間，可提高數據整體穩定性。
43、進一步地，優化修正之后的雨量監測數據為電容權重系數乘以電容雨量監測數據，再加上電壓權重系數乘以電壓雨量監測數據。
44、本專利技術的其他優點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領域技術人員而言將是顯而易見的，或者可以從本專利技術的實踐中得到教導。本專利技術的目標和其他優點可以通過下面的說明書實現和獲得。
本文檔來自技高網...【技術保護點】
1.一種雨量監測數據修正優化方法，其特征在于，所述雨量監測數據通過雨量站安裝的電容雨量監測傳感器和電壓雨量監測傳感器獲取，具體方法如下：
2.如權利要求1所述的雨量監測數據修正優化方法，其特征在于，雨量站空間電容偏差預測模型和雨量站空間電壓偏差預測模型均為深度學習模型，具體構建方法如下：
3.如權利要求2所述的雨量監測數據修正優化方法，其特征在于，將真實降雨量劃分為若干真實降雨量區間，具體方法如下：
4.如權利要求2所述的雨量監測數據修正優化方法，其特征在于，所述深度學習模型為神經網絡模型，具體構建方法如下：
5.如權利要求1所述的雨量監測數據修正優化方法，其特征在于，以粒子群優化算法分配各雨量站的電容權重系數和電壓權重系數，具體方法如下：
6.如權利要求5所述雨量監測數據修正優化方法，其特征在于，粒子群優化算法求解電容權重系數和電壓權重系數，具體方法如下：
7.如權利要求6所述雨量監測數據修正優化方法，其特征在于，所述適應度函數，具體公式如下：
8.如權利要求1所述雨量監測數據修正優化方法，其特
...【技術特征摘要】
1.一種雨量監測數據修正優化方法，其特征在于，所述雨量監測數據通過雨量站安裝的電容雨量監測傳感器和電壓雨量監測傳感器獲取，具體方法如下：
2.如權利要求1所述的雨量監測數據修正優化方法，其特征在于，雨量站空間電容偏差預測模型和雨量站空間電壓偏差預測模型均為深度學習模型，具體構建方法如下：
3.如權利要求2所述的雨量監測數據修正優化方法，其特征在于，將真實降雨量劃分為若干真實降雨量區間，具體方法如下：
4.如權利要求2所述的雨量監測數據修正優化方法，其特征在于，所述深度學習模型為神經網絡模型，具體構建方法如下：<...
【專利技術屬性】
技術研發人員：阮燕云，李長春，熊金和，舒衛民，郭樂，姜利玲，項雪峰，周曉倩，王方方，田銳，陳川建，曾適，劉棪，郭麗娟，同斌，張亮，
申請(專利權)人：中國長江電力股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。