基于无线传感器网络的闸门远程控制系统及方法 |
|||||||
申请号 | CN202410256945.3 | 申请日 | 2024-03-07 | 公开(公告)号 | CN117850324B | 公开(公告)日 | 2024-05-10 |
申请人 | 黑龙江大学; | 发明人 | 战昱竹; 刘勇; 刘晟汐; 杜崇; 陈一阁; 孟祥瑞; | ||||
摘要 | 本 发明 提供了基于无线 传感器 网络的闸 门 远程控制系统及方法,属于 水 利闸门自动控制技术领域;首先进行数据收集与处理,包括水位高度、水流速度和淤泥高度信息,获取初始数据;其次利用经验模态分解EMD进行特征提取,实现对数据的噪声过滤,并基于初始数据得到标准的模型 训练数据 集;之后构建基于孪生回声状态网络TESN的多闸门协同开度 预测模型 ,该模型可以同时协调实现多个闸口开度的协同控制。并且设计了基于均方误差MSE的模型预测损失函数,通过随机梯度下降 算法 优化模型参数得到训练好的多闸门开度预测模型。最终,将该预测模型及 数据采集 过程部署到实际的闸门控制系统中,实现对多个闸门开度的准确预测和稳定控制。 | ||||||
权利要求 | 1.一种基于无线传感器网络的闸门远程控制方法,其特征在于,包括以下过程: |
||||||
说明书全文 | 基于无线传感器网络的闸门远程控制系统及方法技术领域背景技术[0002] 闸门控制是用于控制水流的关键技术,通过调整闸门开度使水位能够始终达到稳定状态。作为水工建筑物的核心组成部分,闸门能够拦截水流,调节水位,调控流量,排除泥沙和漂浮物等。然而,目前我国许多灌区的闸门控制、流量监测和信息管理工作仍然依赖于人工操作。流量监测装置单独安装在闸门前,与闸门相互独立,导致结构复杂,管理手段滞后。由此带来的问题包括闸门启闭频繁、多闸联动操作困难,以及灌区水资源管理效率低下,节水灌溉无法实现,水资源配置优化困难,灌溉水无法实现均衡分配。农业水资源利用效率低,人工管理成本高昂。 [0003] 现有技术中公开了部分水利闸门自动控制技术领域的发明专利,其中,由长春工程学院申请的,在2016年9月21日公开的中国发明专利,公开号为CN105951694A,公开了灌区闸门远程自动控制节水系统,包括监控中心、闸门现地控制单元、渠系、闸门以及量水槽;监控中心包括主控制器和显示单元,主控制器包括水位流量监测单元、故障分析单元、存储单元、报警器以及优化配水单元;闸门现地控制单元包括可编程序控制器、闸门启闭传动机构、水位传感器,渠系包括两条渠道或两条以上的渠道,且每条渠道的入水口均设置有闸门;渠道的内部均设置有量水槽,且渠堤均设置有一个设置有水位传感器的水位测井。该技术方案全面解决目前灌区管理现代化、自动化水平低的问题,提高灌溉水利用率,既节约了宝贵的水资源,又为灌区的可持续发展起到了关键作用,有助于自动化程度的提高。然而该技术方案在运用的过程中仍存在一些不足之处,未考虑到渠道灌溉时,淤积在闸门附近泥沙对灌溉水量的影响,且无法优化水资源配置,不能保证灌溉水均衡分配,农业水资源利用效率低,人工管理成本高。 [0004] 由中水三立数据技术股份有限公司申请的,在2021年10月22日公开的中国发明专利,公开号为CN113529667A,公开了一种一体化闸门过闸流量自动控制方法及系统,包括获取闸门的实时水情检测信息;根据实时水情检测信息,建立不同流态下的闸门流量水位开度模型;根据闸门流量水位开度模型以及对闸门未来运行状态的规划,预测闸门未来排水体积;根据闸门未来排水体积的预测值,规划闸门当前运行方式,达到在预期时间内排出期望体积的水量的效果。本发明通过在灌区闸门设置相应的数据采集设备,实时获取水情监测信息,通过建立模型和设计算法通过控制闸门开度变化来实现在预期时间内排出期望体积水量的功能,从而达到自动化规划闸口流量的控制。然而,该发明只适用于单一闸门的控制场景,针对多个相互影响的闸门无法实现稳定的协同控制。 [0005] 目前,现存闸门控制技术存在诸多挑战和不足。首先,许多灌区仍依赖人工操作进行闸门控制,这导致管理手段滞后,灌区水资源管理效率低下,无法实现节水灌溉。同时,现有的闸门控制系统结构复杂,流量监测装置与闸门独立设置,使得多闸联动操作困难。更为关键的是,现有技术未充分考虑到淤积泥沙对灌溉水量的影响,无法保证灌溉水的均衡分配,导致农业水资源利用效率低下,管理成本高昂。另外,部分技术仅适用于单一闸门的控制场景,无法实现多个闸门的稳定协同控制,影响了整个灌溉系统的稳定性和效率。综上所述,现有技术在灌区闸门控制方面存在着管理效率低、控制精度不足、协同性差等问题,亟需更加先进的技术来应对挑战,提升灌区水资源管理的智能化水平和效率。 发明内容[0006] 针对上述问题,本发明的目的在于,解决现有技术在进行闸门水位控制时专注于单一闸门的控制,没有考虑多道闸门的协同控制策略;并且对闸门开度的影响因素缺乏全面的数据处理过程,导致目前的闸门控制技术出现控制稳定性及精度低的问题。 [0007] 本发明第一方面提供了一种基于无线传感器网络的闸门远程控制方法,包括以下过程: [0008] 步骤1,基于水位传感器、流量传感器以及雷达测距传感器,以某一时间间隔采集各闸门当前的水位信息,包括水位高度 、水流流速 和淤泥高度 ;一共采集N组数据,构成初始输入特征数据; [0009] 步骤2,对初始输入特征数据进行经验模态分解EMD及数据拼接,从而对各阀闸门的初始输入特征数据进行噪声过滤,得到标准输入特征数据; [0010] 步骤3,构建并训练得到基于孪生回声状态网络TESN的多闸门开度协同预测模型,采用多闸门开度协同预测模型进行实施闸门开度预测,并将步骤2中的各闸门标准输入特征数据作为模型输入,得到各闸门的开度预测结果; [0012] 步骤5,以步骤1中所述的某一时间间隔为时间单位循环采集各个闸门的水位信息,逐渐将新采集的时序数据信息替换历史时刻数据,并循环步骤2至步骤4,实现多闸门的远程实时协同控制和闸门开度的自动化调节。 [0013] 优选的,所述步骤3中,构建并训练得到基于TESN的多闸门开度协同预测模型的具体过程为: [0014] S1,初始闸门控制时序数据集的收集与制作,包括多个闸门对应的水位高度 、水流流速 和淤泥高度 初始特征信息,以及相对应的最佳闸门开度信息; [0015] S2,针对初始特征信息进行经验模态分解EMD及数据拼接,得到标准输入特征数据,并结合闸门开度信息得到模型的数据集,划分训练集和测试集; [0016] S3,构建基于TESN的多闸门开度预测模型,该模型可协调多组特征信息实现多个闸门开度的预测; [0017] S4,建立多闸门开度协同预测模型的训练策略,并采用S2中的训练集和测试集进行模型训练与测试,得到最终的多闸门开度协同预测模型。 [0018] 优选的,所述S1的具体过程为: [0019] S11,首先采用水位传感器、流量传感器以及雷达测距,传感器采集并保存几处闸门一年内的水位信息,包括水位高度 、水流流速 和淤泥高度 ,并记录相应人工操作闸门的开度信息 ,其中 表示闸门关闭, 表示闸门全开,开度信息 介于0到1之间; [0020] S12,由于水位的变化是一个动态连续的过程,设计时序特征数据的划分方法:针对每小时内的水位高度 信息,进行30次均匀时间采样,得到该时间段对应的水位高度时序数据 为: [0021] (1); [0022] 其中, 为第i个采样时刻点的水位高度,且 ; [0023] 并且将水流流速 、淤泥高度 和闸门开度 分别进行同样的均匀采样,得到对应的时序数据为: [0024] (2); [0025] (3); [0026] (4); [0027] 其中, 、 和 分别为第i个采样时刻点的水流流速、淤泥高度和闸门开度,且; [0028] S13,循环数据划分:基于S12的数据采样划分方法将一年内的水位信息数据进行划分,并得到共24*365=8760组水位数据: [0029] (5); [0030] (6); [0031] (7); [0032] (8); [0033] 将水位高度、水流流速和淤泥高度作为输入参考特征数据,闸门开度 作为输出结果数据,模型根据输入特征数据预测从而得到控制闸门的理想结果,即完整的输入数据为: [0034] (9); [0035] S14,所有闸门水位数据制作;采用多道闸门控制水位,且上一道闸门的开度信息直接影响下一道闸门的开度,基于设计的可协同控制多道大坝闸门的多闸门开度协同预测模型,采用S12、S13步骤得到N个闸门输入水位数据信息为: [0036] (10); [0037] 其中,为第j个闸门对应的输入水位数据信息, , 和 为其中相应的水位高度、水流流速和淤泥高度数据信息,第j个闸门对应的闸门开度数据信息为 ,且 ; [0038] 从而得到N道闸门对应的水位数据信息和最佳闸门开度数据,完成闸门控制时序数据集的收集与制作。 [0039] 优选的,所述步骤2中对初始输入特征数据进行经验模态分解EMD及数据拼接的具体过程为: [0040] S21,确定被分解的输入时序信号,并定义为 ,其中 ; [0041] S22,确定输入时序信号 的所有局部极大和极小值,并利用三次样条插值Cubic splines方法得到信号的上下包络线分别为 和 ,计算信号平均值如下所示: [0042] (11); [0043] S23,根据时序信号 及平均值 计算分量 : [0044] (12); [0045] S24,判断 是否满足条件:信号 的极值和交叉零点的数量最多相差1;的上下包络线的平均值为零; [0046] S25,如果 满足两个条件,则将 作为 的一次分解信号 ,并计算残差信号 : [0047] (13); [0048] S26,将残差信号 重新作为输入时序信号,重复步骤S22至S25进行多次信号分解,逐步得到从高频到低频的 分量信号,并将分量信号进行通道拼接得到降噪后的数据信号 为: [0049] (14); [0050] 其中 ; [0051] S27,将当前闸门中每一组水位高度 、水流流速 和淤泥高度 数据分别作为S201的输入时序信号 ,其中 ;并重复进行S21至S26的EMD信号分解及分量数据拼接的实施流程,得到去噪后的特征数据为 、水流流速 和淤泥高度 ,即对应一组标准输入特征数据 为: [0052] (15); [0053] 该组数据对应的输出闸门开度数据为 ,且k∈[1,8760],所有去噪后的数据构成完整输入数据 ,对应的输出数据为 ; [0054] S28,将N道闸门的所有输入水位数据进行噪声过滤,最终得到N道闸门的标准输入输出训练数据集为: [0055] (16); [0056] 优选的,所述S26中重复步骤S22至S25进行多次信号分解,次数为5次,即 。 [0057] 优选的,所述步骤3中构建并训练得到基于孪生回声状态网络TESN的多闸门开度协同预测模型,该模型共包含N级TESN子模型,且前一级闸门的预测结果同时作为后一级闸门的输入; [0058] 基于TESN的闸门开度预测模型初始化;TESN模型由两个并行且相同的ESN模型组成,两个ESN共享隐藏层到输出层的权重矩阵;对于每个ESN模型均由输入层、内部储层和输出层三部分组成,包括 个输入节点, 个储层神经元和 个输出节点;对于每个ESN在时间步长t时,输入数据 ,网络内部储层状态数据 和输出数据 分别为: [0059] (17); [0060] 其中输入层通过输入权值 与内部储层连接,储层神经元通过内部权值 连接,输出层通过输出权值 与内部储层连接。并且内部储层数据更新如下式所示: [0061] (18); [0062] 其中, 表示下一时刻的网络内部储层状态数据, 采用对数Sigmoid激活函数, 受稀疏度SD和全局尺度因子γ的限制,以满足 的谱半径小于1的条件,因此在该条件下预测输出方程定义为: [0063] (19); [0064] 其中, 表示保持 和 行数不变,将列进行堆叠拼接得到的结果矩阵。 [0065] 因此,TESN中两个ESN模型的预测输出分别为 和 ,将两个ESN模型的预测输出 和 进行平均获得TESN的最终预测结果 。 [0066] 最后,在闸门开度预测中,通过随机初始化网络内部储层状态数据 ,并将输入水位数据信息作为 ,最终得到两个ESN模型的综合预测输出数据 即为闸门的预测开度。 [0067] 优选的,基于TESN初始化模型,设置一级TESN闸门开度预测模型中每个基础ESN的输入节点 ,包含水位高度、水流流速和淤泥高度三维数据;设置二至N级TESN闸门开度预测模型中每个基础ESN的输入节点 ,包含水位高度、水流流速和淤泥高度三维数据及上一级模型的闸门开度预测输出;统一设置N个TESN模型中每个ESN模型的储层神经元个数 ;设置N个TESN模型中每个ESN模型的输出节点数 输出当前的闸门开度预测结果。 [0068] 优选的,所述S4中建立多闸门开度协同预测模型的训练策略,具体为: [0069] 采用均方误差MSE设计闸门开度协同预测的损失函数,即第j级TESN模型中每个ESN模型的损失函数定义为: [0070] (20); [0071] 其中, 和 分别为第j级模型在时刻t的闸门目标开度和预测开度,且; [0072] 将得到的N道闸门的标准输入输出训练数据集同时用于N个TESN模型的训练过程,其中TESN模型中一个ESN模型采用正向顺序的训练数据集,另一个ESN模型采用逆向顺序的训练数据集进行训练; [0073] 基 于损 失 函 数的 计 算 方法 得 到 N 个T E S N模 型 中 的预 测 损 失,其中 代表第N个TESN模型中的预测损失, 为第N个TESN模型中第一个ESN的预测损失, 为第N个TESN模型中第二个ESN的预测损失;之后利用随机梯度下降算法对每个TESN模型的权值参数 进行调整更新,更新规则为:对于第N个TESN模型,如果 ,则第N个TESN模型中两个ESN模型共享的隐藏层到输出层权重矩阵采用第一个ESN隐藏层到输出层的权重矩阵,反之采用第二个ESN隐藏层到输出层的权重矩阵;设置优化迭代次数为300,最终得到N级基于TESN的闸门开度预测子模型,这些子模型共同构成多闸门开度协同预测模型。 [0074] 优选的,以2min时间间隔采集各闸门当前的水位信息,包括水位高度 、水流流速和淤泥高度 ,其中,一共采集N组数据,N为30。 [0075] 本发明第二方面提供了一种基于无线传感器网络的闸门远程控制系统,应用于如第一方面所述的闸门远程控制方法,并包括水位传感器、流量传感器和雷达传感器,用于测量初始数据信息;包括A/D转换模块,用于将所测数据转换为可直接处理的数字信号;还包括单片机主控制器和存储器,所述单片机主控制器用于执行存储器中存储的训练完成的基于孪生回声状态网络TESN的多闸门开度协同预测模型,实现多闸门的预测控制;还包括电动闸门执行器,将单片机控制器输出的数字信号用于电动闸门的控制信号输入,实现多闸门的电气控制;并包括报警模块,用于及时反馈异常信号;此外,存储器中保存传感器采集的历史数据和执行器的历史控制信号;所述系统通过电源供电模块对所有模块进行相应供电。 [0076] 与现有技术相比,本发明具有如下有益效果: [0077] 1)多闸门协同控制系统设计:与现有技术单一闸门控制相比,本发明提出了基于神经网络的多闸门协同控制系统,能够同时处理多个闸门之间的关联,实现协同控制,从而提高了系统的智能化水平和水资源的利用效率。 [0078] 2)数据处理和特征提取:本发明采用经验模态分解(EMD)对水位数据进行处理和特征提取,有效地降低了数据中的噪声干扰,提高了预测模型的准确性和稳定性。 [0079] 3)基于TESN的预测模型:本发明设计了TESN模型,实现对多个闸门开度的准确预测和稳定控制。并且TESN模型具有较强的记忆能力和适应性,能够有效地处理多个闸门之间的复杂关系和水位数据的时空特性,实现对水位变化的快速响应和准确预测。 [0080] 4)实时控制和远程监测:本发明实现了对多闸门的实时控制和远程监测,通过对实时数据的采集和处理,可以及时调整闸门的开度,保持灌溉系统的稳定运行,提高了系统的自动化水平和运行效率。 [0081] 综上所述,本发明在多闸门协同控制、数据处理和特征提取、预测模型设计以及实时控制和远程监测等方面具有明显的创新性和优势,能够有效地提高灌区水资源管理的智能化水平和运行效率,为节约水资源、优化水资源配置、提高农业水资源利用效率等方面提供了重要支持。附图说明 [0082] 图1为本发明 EMD信号分解流程图。 [0083] 图2为本发明多闸门开度预测模型框图。 [0084] 图3为本发明多闸门远程协同控制系统实施框图。 [0085] 图4为本发明多闸门控制的电气控制流程框图。 具体实施方式[0086] 下面结合具体实施例对发明进行进一步说明。 [0087] 本发明提出了一种基于无线传感器网络的闸门远程控制系统及方法,旨在解决目前灌区闸门控制的单一闸门、缺乏协同控制策略,以及控制精度低等问题。该技术首先进行数据收集与处理,包括水位、流速等信息的收集,为后续数据处理过程提供初始数据;其次利用经验模态分解(EMD)进行特征提取,实现对数据的噪声过滤,并基于初始数据得到标准的模型训练数据集;之后构建基于孪生回声状态网络(TESN)的多闸门开度预测模型,该模型可以同时协调实现多个闸口开度的协同控制。并且设计了基于均方误差(MSE)的模型预测损失函数,通过随机梯度下降算法优化模型参数得到训练好的多闸门开度预测模型。最终,将该预测模型及数据采集过程部署到实际的闸门控制系统中,实现对多个闸门开度的准确预测和稳定控制。本发明为灌区水资源管理提供了智能化支持,有助于节约水资源、优化水资源配置、提高农业水资源利用效率等方面的实际应用。 [0088] 1.本发明提出的一种基于无线传感器网络的闸门远程控制系统及方法,其主要技术路线包括: [0089] S1,初始闸门控制时序数据集的收集与制作,包括多个闸门对应的水位高度、水流流速、淤泥高度等初始特征信息,以及相对应的最佳闸门开度信息; [0090] S2,针对初始特征信息进行经验模态分解(EMD),得到分解后的特征数据并进行数据拼接,结合闸门开度信息得到标准模型训练数据集; [0091] S3,构建基于TESN(Twin echo state network)的多闸门开度协同预测模型,该模型可以协调多组特征信息实现多个闸门开度的预测; [0092] S4,建立多闸门开度协同预测模型的训练策略,并采用标准训练数据集进行模型训练,得到最终的多闸门开度协同预测模型; [0093] S5,基于训练好的多闸门开度预测模型进行部署,以及闸门的实时调整,最终实现最终灌溉数量的稳定高效控制。 [0094] 2.其中S1包含初始闸门控制数据集的制作和收集,在本实施例中,该过程包括: [0095] 本发明提出的技术方法是基于神经网络的闸门开度预测,并根据预测结果对多个闸门进行实时的开度调整,以实现水位的稳定控制。该方法是一种数据驱动的智能方法,因此首先需要进行水位数据特征信息的收集。该过程包括以下步骤: [0096] S101,初始数据采集;在实际情况中普遍采用多道闸门控制水位,例如上游、中游和下游等多处串联闸门;因此,首先采用水位传感器、流量传感器以及雷达测距等传感器采集并保存几处闸门一年内的水位信息,包括水位高度 、水流流速 、淤泥高度 等信息,并记录相应人工操作闸门的开度信息 ( 表示闸门关闭, 表示闸门全开)。 [0097] S102,时序数据划分;由于水位的变化是一个动态连续的过程,因此基于单一时刻的水位特征数据无法充分预测闸门的开度结果。本实施例设计了时序特征数据的划分方法:针对每小时内的水位高度 信息,进行30次均匀时间采样,得到该时间段对应的水位高度时序数据 为: [0098] (1); [0099] 其中, 为第i个采样时刻点的水位高度,且 。 [0100] 并且将水流流速 、淤泥高度 和闸门开度 分别进行同样的均匀采样,得到对应的时序数据为: [0101] (2); [0102] (3); [0103] (4); [0104] 其中, 、 和 分别为第i个采样时刻点的水流流速、淤泥高度和闸门开度,且。 [0105] S103,循环数据划分;本实施例基于S102的数据采样划分方法将一年内的水位信息数据(水位高度 、水流流速 、淤泥高度 以及对应的闸门开度 )进行划分;并得到共24*365=8760组水位数据: [0106] (5); [0107] (6); [0108] (7); [0109] (8); [0110] 并且将水位高度、水流流速和淤泥高度作为输入参考特征数据,闸门开度 作为输出结果数据,模型根据输入特征数据预测从而得到控制闸门的理想结果,即完整的输入数据 为: [0111] (9); [0112] S104,所有闸门水位数据制作;在实际情况中普遍采用多道闸门控制水位,且上一道闸门的开度信息直接影响下一道闸门的开度(例如上游大坝闸门开度影响中游大坝闸门的开度)。因此,本发明设计了可协同控制多道大坝闸门的多闸门开度协同预测模型,且采用S102、S103步骤得到N个闸门输入水位数据信息为: [0113] (10); [0114] 其中,为第j个闸门对应的输入水位数据信息, , 和 为其中相应的水位高度、水流流速和淤泥高度数据信息,第j个闸门对应的闸门开度数据信息为 ,且 。 [0115] 因此,基于以上步骤可以得到在一年的历史数据中,N道闸门对应的水位数据信息和最佳闸门开度数据。 [0116] 3.本发明中S2基于经验模态分解(EMD)的数据特征分解与数据拼接过程,该过程包括: [0117] 由于初始的时序水位数据中存在多种噪声,直接基于采集到的时序特征进行闸门开度预测可能会影响预测的精度。因此,本发明利用经验模态分解(EMD)方法对初始水位数据信号进行频域分解,得到多个具有更强表征能力的IMF频率特征分量数据;并将IMF分量数据重新拼接构成标准的训练数据集,最终利用该方法消除初始信号采集过程中的噪声干扰。EMD分解的主要流程如图1所示。 [0118] 在本实施例中,包括以下步骤: [0119] S201,确定被分解的输入时序信号,并定义为 ,其中 ; [0120] S202,确定输入时序信号 的所有局部极大和极小值,并利用三次样条插值(Cubic splines)方法得到信号的上下包络线分别为 和 ,计算信号平均值如下所示: [0121] (11); [0122] S203,根据时序信号 及平均值 计算分量 : [0123] (12); [0124] S204,判断 是否满足条件:信号 的极值和交叉零点的数量最多相差1;的上下包络线的平均值为零。 [0125] S205,如果 满足两个条件,则将 作为 的一次分解信号 ,并计算残差信号 : [0126] (13); [0127] S206,将残差信号 重新作为输入时序信号,重复步骤S202至S205进行多次信号分解,逐步得到从高频到低频的 分量信号,并将分量信号进行通道拼接得到降噪后的数据信号 为: [0128] (14); [0129] 其中 。 [0130] S207,将当前闸门中每一组水位高度 、水流流速 和淤泥高度 数据分别作为S201的输入时序信号 ,其中 。并重复进行S201至S206的EMD信号分解及分量数据拼接的实施流程,得到去噪后的特征数据为 、水流流速 和淤泥高度 ,即对应一组标准输入特征数据 为: [0131] (15); [0132] 该组数据对应的输出闸门开度数据为 ,且 ,所有去噪后的数据构成完整输入数据 ,对应的输出数据为 。 [0133] S208,将N道闸门的所有输入水位数据进行噪声过滤,最终得到N道闸门的标准输入输出训练数据集为: [0134] (16); [0135] 4.本发明中S3所述基于TESN的多闸门开度预测模型构建,该过程包括: [0136] 由于单一的闸门开度预测模型无法充分协调并实现具有前后依赖性的闸门开度预测问题,本技术针对该问题设计了一种基于TESN的多闸门开度预测模型,该模型可以协同控制多个具有依赖关系的闸门,并基于预测结果实时控制闸门的开度。模型的整体框图如图2所示。 [0137] 该模型共包含N级TESN子模型,且前一级闸门的预测结果同时作为后一级闸门的输入,因此该模型可以直接处理上游闸门的开度信息影响中游闸门的开度的问题,并将每一级闸门控制的预测结果保存,最终实现多个闸门开度的协同预测和控制。 [0138] 基于TESN的闸门开度预测模型初始化;TESN模型由两个并行且相同的ESN模型组成,两个ESN共享隐藏层到输出层的权重矩阵。对于每个ESN模型均由输入层、内部储层和输出层三部分组成,包括 个输入节点, 个储层神经元和 个输出节点。对于每个ESN在时间步长t时,输入数据 ,网络内部储层状态数据 和输出数据 分别为: [0139] (17); [0140] 其中输入层通过输入权值 与内部储层连接,储层神经元通过内部权值 连接,输出层通过输出权值 与内部储层连接。并且内部储层数据更新如下式所示: [0141] (18); [0142] 其中, 表示下一时刻的网络内部储层状态数据, 采用对数sigmoid激活函数, 受稀疏度(SD)和全局尺度因子(γ)的限制,以满足 的谱半径小于1的条件,因此在该条件下预测输出方程定义为: [0143] (19); [0144] 其中, 表示保持 和 行数不变,将列进行堆叠拼接得到的结果矩阵。 [0145] 因此,TESN中两个ESN模型的预测输出分别为 和 ,将两个ESN模型的预测输出 和 进行平均获得TESN的最终预测结果 。 [0146] 最后,在闸门开度预测中,通过随机初始化网络内部储层状态数据 ,并将输入水位数据信息作为 ,最终得到两个ESN模型的综合预测输出数据 即为闸门的预测开度。 [0147] 基于TESN初始化模型,设置一级TESN闸门开度预测模型中每个基础ESN的输入节点 (包含水位高度、水流流速和淤泥高度三维数据),设置二至N级TESN闸门开度预测模型中每个基础ESN的输入节点 (包含水位高度、水流流速和淤泥高度三维数据及上一级模型的闸门开度预测输出);统一设置N个TESN模型中每个ESN模型的储层神经元个数;设置N个TESN模型中每个ESN模型的输出节点数 (输出当前的闸门开度预测结果)。基于该设置最终构建得到完整的多闸门开度预测网络模型架构。 [0148] 5.本发明中S4所述多闸门开度预测模型训练策略的设计及模型训练的过程,该过程包括: [0149] 采用均方误差(MSE)设计闸门开度预测的损失函数,即第j级TESN模型中每个ESN模型的损失函数定义为: [0150] (20); [0151] 其中, 和 分别为第j级模型在时刻t的闸门目标开度和预测开度,且。 [0152] 将S2得到的N道闸门的标准输入输出训练数据集同时用于N个TESN模型的训练过程,其中TESN模型中一个ESN模型采用正向顺序的训练数据集,另一个ESN模型采用逆向顺序的训练数据集进行训练。基于损失函数的计算方法得到N个TESN模型中的预测损失,其中 代表第N个TESN模型中的预测损失, 为第N个TESN模型中第一个ESN的预测损失, 为第N个TESN模型中第二个ESN的预测损失;之后利用随机梯度下降算法对每个TESN模型的权值参数 进行调整更新,更新规则为:对于第N个TESN模型,如果 ,则第N个TESN模型中两个ESN模型共享的隐藏层到输出层权重矩阵采用第一个ESN隐藏层到输出层的权重矩阵,反之采用第二个ESN隐藏层到输出层的权重矩阵。设置优化迭代次数为300,最终得到N级基于TESN的闸门开度预测子模型,这些子模型共同构成多闸门协同预测模型。 [0153] 本发明进行了ESN模型,基于EMD分解的ESN模型(ESN‑EMD),以及基于EMD分解的TESN模型(TESN‑EMD)的多闸门协同预测的对比试验。并采用均方误差(MSE),平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所有闸门开度的预测准确度进行综合评估,MSE、MAPE和MAE的计算如下式所示: [0154] (21); [0155] (22); [0156] (23); [0157] 其中, 为闸门总数, 和 分别为第 个闸门的目标开度和预测开度。基于以上评价指标,最终得到ESN、ESN‑EMD和TESN‑EMD模型的测试评估结果如表1所示: [0158] 表1 ESN、ESN‑EMD和TESN‑EMD模型评估结果 [0159] [0160] 评价指标MSE、MAPE和MAE值越小表示预测结果和实际开度之间的误差越小。因此,根据评估结果可以发现,本发明提出的基于EMD分解的TESN预测模型(TESN‑EMD)具有最高的预测准确度,并且该结果最终验证了本发明提出方法的实际性能。 [0161] 6.本发明中S5所述多闸门开度预测的部署和实施过程,基于特定的闸门远程控制系统。 [0162] 一种可实现方式如图4所示:系统包括水位传感器、流量传感器和雷达传感器,用于测量初始数据信息;包括A/D转换模块,用于将所测数据转换为可直接处理的数字信号;还包括单片机主控制器和存储器,用于执行存储器中存储的训练完成的基于孪生回声状态网络TESN的多闸门开度协同预测模型,实现多闸门的预测控制;还包括电动闸门执行器,电动闸门执行器将单片机控制器输出的数字信号用于电动闸门的控制信号输入,实现多闸门的电气控制;并包括报警模块,用于及时反馈异常信号(如执行器失控或供电异常);此外,存储器中保存传感器采集的历史数据和执行器的历史控制信号;所述系统通过电源供电模块对所有模块进行相应供电。基于训练好的多闸门开度预测模型进行部署,以及闸门的实时调整,最终实现最终灌溉数量的稳定高效控制。 [0163] 本发明基于无线传感器网络的闸门远程控制方法,整体过程如图3所示,包括以下过程: [0164] S501,基于水位传感器、流量传感器以及雷达测距传感器,以2min为时间间隔采集各闸门当前的水位信息,包括水位高度 、水流流速 、淤泥高度 等;一共采集30组数据,构成初始输入特征数据; [0165] S502,利用S2中的EMD特征分解及数据拼接方法对各闸门的初始输入特征数据进行噪声过滤,得到标准输入特征数据; [0166] S503,采用S4训练得到的多闸门开度协同预测模型进行实施闸门开度预测,并将各闸门标准输入特征数据作为模型输入,得到各闸门的开度预测结果; [0167] S504,将各个闸门的开度预测结果作为电动闸门执行器的控制信号,实现每个闸门的开度控制; [0168] S505,以2min为时间单位循环采集各闸门的水位信息,逐渐将新采集的时序数据信息替换历史时刻数据,并循环S502至S504步骤,实现多闸门的远程实时协同控制和闸门开度的自动化调节。 [0169] 基于上述基于无线传感器网络的闸门远程控制方法及系统,可以在实际产业中产生如下有益效果。 [0170] 提高水资源利用效率:通过多闸门协同控制系统,可以更精确地调节闸门的开度,实现灌溉水的精准供给,避免水资源的浪费和过度消耗,从而提高了水资源的利用效率。 [0171] 优化灌区管理:本技术采用基于TESN模型的预测和控制系统,能够实现对多个闸门的实时监测和远程控制,使灌区管理更加智能化和高效化,有利于优化灌区的水资源配置和管理。 [0173] 提升灌溉水平均衡性:通过对多闸门的协同控制和预测,可以实现对灌溉水量的均衡分配和调节,确保不同地区和作物的灌溉水平均衡,提高了农业水资源的利用效率和产量稳定性。 [0174] 减少水资源浪费:本技术利用数据驱动的方法,对水位数据进行处理和特征提取,提高了对水位变化的准确预测能力,可以减少因水位波动引起的水资源浪费和灌溉不足现象。 [0175] 以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。 [0176] 上述虽然对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。 |