CN108109076B - 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 - Google Patents

Abstract

本发明属于水电调度运行领域，涉及一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法。本发明考虑前期径流、前期降雨、预见期降雨、月份等预报因子，构建神经网络预报模型；结合预报‑实际径流相关图，确定径流转移区间；以梯级弃水最小为目标，考虑多种约束条件，构建梯级水电站群中期弃水最小模型，并以预报径流和径流转移上限为输入，进行模拟调度；将径流预报模拟调度得到的弃水量作为风险的下限值，将径流转移上限模拟调度得到的弃水量作为风险的上限值，确定余留库容、弃水区间和梯级弃水的时空分布等情况。本发明有利于量化分析汛期梯级水电站群的发电调度风险，确定更加合理的水电风险控制决策，减少流域梯级不合理弃水。

Description

一种考虑径流预报的梯级水电站群发电调度弃水风险分析 方法

技术领域

本发明属于水电调度运行领域，特别涉及一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法。

背景技术

一般来说，径流不确定性是引起流域梯级调度风险特别是弃水风险的主要因素，受限于径流预报模型精度影响，发电调度通常会面临决策偏差，进而可能导致不必要弃水风险，这一问题在我国西南地区特大流域梯级表现的尤为突出。以乌江流域梯级为例，除洪家渡、构皮滩、乌江渡具有年及以上调节能力外，其余电站调节能力相对较差，特别是索风营、思林、沙沱等仅为日调节电站，汛期遭遇较大洪水时梯级电站运行通常面临严重的弃水风险，如何定量分析弃水风险大小，并通过合理调度控制策略有效减少梯级弃水，对于乌江集控具有重要意义，所以开展梯级水电站群调度弃水风险分析及控制研究是非常有必要的。因此，如何结合降雨等信息进行径流预报，并分析预报偏差可能导致的调度决策风险及风险大小，在此基础上，如何进一步做好弃水风险控制，确定各电站允许达到的最高水位、余留库容等关键指标，对于降低梯级调度风险、减少不必要弃水是至关重要的，是流域梯级调度面临的又一个关键问题。

目前关于流域梯级水电站群弃水风险分析的研究多数侧重定性分析，弃水风险的定量分析研究较为少见，而且在中期调度中考虑降雨等气象信息的更为少见，也缺乏工程实际案例的应用分析。本发明成果依托国家自然科学基金委重大国际合作(51210014)、国家自然科学基金(51579029)，以乌江梯级水电站群为研究对象，成果可为我国西南其它大型流域梯级在新环境下的发电调度风险分析提供重要技术支持。

发明内容

针对现有技术的不足，本发明旨在提供一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法，针对径流预测不确定性，通过大量实际数据模拟分析确定了径流转移分布矩阵，以梯级弃水最小为目标寻找预测径流和偏差上限对应的最优调度决策，进而实现弃水风险量化分析。

本发明的技术方案为：

一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法，具体包括如下步骤：

(1)构建神经网络预报模型，选取输入因子，包括：前期1-10天的实际流量、前期0-30天的累计流量、前期1-10天的实际降雨、预报降雨、是否考虑月份，其中，预报降雨采用预报期天数-1时历史对应时期的实际降雨；

(2)基于历史实际径流资料，进行模型参数率定，在训练过程中，采用误差反向传导算法自动修正模型参数，以不断提高模型参数的准确度；

(3)绘制径流预报-实际相关图：以历史长系列降雨、径流资料为输入，进行大量连续径流预报实验，统计预报流量和对应日期的实际流量数据，绘制各电站不同预见期的径流预报-实际径流相关图；

(4)确定径流预报转移分布关系：对于任一电站i,当预见期为t时，从径流预报-实际径流相关图上采用80％置信水平确定径流偏差的边界值，即任一预报流量最可能发生的径流转移分布关系，称为径流偏差范围

其中，

为电站i预见期t时的最小发电流量，即径流偏差下限；

为电站i预见期t时的最大发电流量，即径流偏差上限；

(5)进行发电模拟调度：以梯级弃水量最小为目标，构建梯级水电站优化调度模型，重点针对径流预报和径流偏差上限，计算对应的最优调度决策；

式中：Min R为最小梯级弃水量；i，M分别为电站编号和电站总数；t，T分别为时段编号和时段总数；

表示电站i预见期内第t时段的弃水流量；Δ_t为第t时段的小时数；

(6)确定弃水风险：将径流预报的发电模拟调度得到的最小梯级弃水量作为弃水风险的下限值，将径流偏差上限的发电模拟调度得到的最小梯级弃水量作为弃水风险的上限值，确定余留库容、弃水区间和梯级弃水的时空分布情况。

本发明的有益效果：本发明考虑前期径流、前期降雨、预见期降雨、月份等预报因子，构建基于神经网络的梯级水电站群中期径流预报模型；结合预报-实际径流相关图，确定径流转移区间；以梯级弃水最小为目标，考虑多种约束条件，构建梯级水电站群中期弃水最小模型，并以预报径流和径流转移上限为输入，进行模拟调度；将径流预报模拟调度得到的弃水量作为风险的下限值，将径流转移上限模拟调度得到的弃水量作为风险的上限值，确定可能的余留库容、弃水区间和梯级弃水的时空分布等情况。本发明有利于量化分析汛期梯级水电站群的发电调度风险，确定更加合理的水电风险控制决策，减少流域梯级不合理弃水。

附图说明

图1是梯级水电站群发电调度弃水风险分析总体思路示意图；

图2是水电站中期径流预报的神经网络模型原理图；

图3是洪家渡电站预测径流与实际径流的相关图；

图4是乌江梯级弃水风险图；

图5是乌江梯级电站弃水分布图。

具体实施方式

下面结合附图和技术方案，进一步说明本发明的具体实施方式。

汛期受来水不确定性影响，流域梯级将面临着严重的弃水风险，但如何定量分析发电调度的风险大小，对于制定合理的梯级调度决策，减少不合理弃水、提高水能利用效率至关重要。目前梯级水电站群弃水风险分析主要面临以下几方面问题：(1)如何考虑降雨等气象信息，建立中期径流预报模型，尽可能从径流预报阶段减少预测误差；(2)如何确定预测径流的偏差大小，以往研究通常采用准确率表示径流预测精度，但这种方式不便于实际操作执行，调度人员难以确定具体的调度决策；(3)现有大多数研究侧重于定性分析，如何定量描述具体的弃水风险大小对于风险调度决策极为关键。

本发明针对上述问题，提出了合理的解决方法，其实施流程示意图如图1所示，具体实施步骤如下：

(1)构建水电站中期径流预报模型

本发明采用人工神经网络算法来优选模型结构和参数，建立预报径流与前期降雨、流量和预报降雨的关系，开展水电站径流预报。神经网络算法是包括输入层、隐含层和输出层，对于中期径流预报模型，输入层包括前期实际径流、前期实际径流总量、前期实际降雨、预见期预报降雨和预报所处的月份(可选)，隐含层设置为两层，输出层为预见期的径流，见图2。不同的预见期，不同的区间流域对应不同的神经网络径流预报模型。神经网络参数率定和检验流程如下：

①选择需要进行神经网络模型训练的电站和预见期，生成一个新的神经网络预报模型；

②检查该电站的区间完整且连续的逐日径流和降雨资料，划分率定期和检验期，率定期用于生成神经网络预报模型的内部黑箱参数，检验期用于检验参数的准确性，且率定期和检验期不能交叉；

③设置神经网络预报模型的输入层：前期实际流量(1-10天)、前期累计流量(0-30天)、前期实际降雨(1-10天)、预报降雨(预见期天数-1，采用历史对应时期的实际降雨)、是否考虑月份(可选是或否)；

④设置神经网络预报模型的隐含层：学习系数a:一般选取在0.01-0.7，大可能导致系统的不稳定，小学习速率会时间较长，倾向于选取较小的学习速率以保证系统的稳定性，动量系数b，通常在0-1之间，而且一般比学习率要大。增加动量项的目的是为了避免网络训练陷于较浅的局部极小点。理论上其值大小应与权值修正量的大小有关，但实际应用中一般取常量。第一隐层和第二隐层个数可在1-7之间选择；

⑤开始训练神经网络，根据设置的最大迭代次数(一般为10000代)，每迭代1次，神经网络都会率定出一套模型参数，依据参数计算率定期的输出径流与实际径流的误差，然后采用误差反向传导算法自动修正模型参数，理论上模型参数的准确度会逐步提高；

⑥神经网络预报模型完成最大迭代次数，根据此时的神经网络黑箱参数计算率定期和检验期的预报径流，与历史实际径流比对，计算预报误差。

(2)绘制径流预测-实际相关图，并确定径流转移分布关系

由于各电站区间历史日径流/降雨资料的失真、相关资料的缺乏和神经网络预报模型的局限性，直接采用神经网络预报模型进行径流预测存在一定误差，结合历史预报样本预报-实际径流的相关关系，采用预报径流与实际径流的转移分布描述在某一预报径流下可能发生的实际径流范围。

对于某电站某预见期，通过神经网络预测模型，以历史长系列降雨、径流资料为输入，进行大量连续径流预报实验，统计历史预报流量和对应实际流量数据，绘制各站各预见期的预报-实际径流相关图，如图3所示。由该图可知，由于预报误差的存在，洪家渡一日预见期的预报-实际径流相关图并不规则，无法用合适的函数进行拟合，但是随着预报流量增大，实际流量也在增大，趋势较为明显。采用包络线将一日预见期相关图进行处理，可以得到预报流量与实际流量的转移分布。

在确定转移分布关系时，本发明在30％合格率条件下，采用80％置信水平确定径流预测偏差的上下限边界，具体如下式：

式中：q为表示某一预测径流对应的实际径流值，

为实际径流值对应的置信区间，α为显著性水平，本发明α取值为0.2，即置信水平为80％。

按照上述公式可以绘制出预测径流对应的上下包络线，得到个预报-实际流量分布带，对于某一径流预报值，可以查图得到实际流量范围，也就是预报流量转移上限(上包线)和预报流量转移下限(下包线)所夹的区间。

(3)弃水风险分析

以梯级弃水量最小为目标，构建梯级水电站优化调度模型，重点针对预测径流和径流偏差上限，计算对应的最优调度决策；

式中：i，M分别为电站编号和电站总数；t，T分别为时段编号和时段总数；

表示电站i预见期内第t时段的弃水流量；Δ_t为第t时段的小时数。

上述目标函数需要满足电站调度运行约束条件，具体如下：

水量平衡约束

式中：

表示i号水电站水库第t时段的发电流量；

表示i号水电站水库第t时段 的弃水流量；hn表示每天秒数；

表示i号水电站水库第t时段的入库流量，由区间入库流量 和上游来水流量组成。

始水位约束

式中：

表示i号水电站水库起调水位，Zⁱ表示i号水电站水库实际运行水位。

发电流量约束

式中：

分别表示i号水电站水库第t时段的发电流量和上下限值。

电站出力约束

式中：

分别表示i号水电站水库第t时段的出力和上下限值。

库水位约束

式中：

分别表示i号水电站水库第t时段的水位和上下限值。

结合上述弃水最小模型，采用动态规划组合降维算法进行优化求解，确定将径流预报模拟调度得到的弃水量作为风险的下限值，将径流转移上限模拟调度得到的弃水量作为风险的上限值，进而计算得到可能的余留库容、弃水区间，以及乌江梯级弃水的时空分布等情况，实现弃水风险的量化描述。

以乌江流域梯级水电站群为例，选取2012年7月22日～7月28日七日降水过程进行降雨-径流预报，并作弃水风险分析。首先结合梯级各水库初始时刻的运行水位，水位上限，未来七日的运行方式以及径流预报，通过判断各水库能否抵御该预报径流对应的洪水来判断梯级各库是否会发生弃水，结果见表1。由上表1分析可知，在该梯级运行方式下，东风在全时段满发情况下不能抵御转移上限的来水，乌江渡在全时段满发情况下不能抵御实际径流、预报径流以及转移上下限来水，大花水在全时段满发情况下不能抵御实际径流、预报径流以及转移上下限来水，即东风、乌江渡、大花水在相应来水条件下肯定会产生弃水。因此克制，在径流转移上限来水情况下，受东风弃水影响，索风营也会产生弃水，受大花水弃水影响，格里桥必然会产生弃水，受乌江渡、格里桥弃水影响，构皮滩水位会大幅抬升，但不会产生弃水；在原径流预报来水情况下，乌江渡会产生弃水，受大花水弃水影响，格里桥必然会产生弃水。

另一方面，由于径流预报存在一定误差，本研究将弃水风险定义为基于未来径流预报，水库在当前运行水位和某种运行方式下，水库可能产生的弃水量。通过预报-实际径流相关图有效的描述了径流预报，结合相关图可以确定具体径流预报所对应的实际径流情况，偏危险考虑，取原径流预报和径流转移上限作为输入，以梯级弃水量最小为目标，进行模拟调度，根据模拟调度结果分析梯级各库的弃水风险，计算结果见图4和图5。由两图可知，在原径流预报来水情况下，乌江渡、大花水、格里桥产生了弃水，在径流转移上限来水情况下，东风、索风营、乌江渡、大花水、格里桥都产生了弃水，与初步判断一致；在原径流预报及径流转移情况下，梯级弃水风险值为3.86～11.85亿m³，东风弃水风险值为0～1.41亿m³，索风营弃水风险值为0～1.44亿m³，乌江渡弃水风险值为1.68～5.85亿m³，大花水弃水风险值为1.1～1.54亿m³，格里桥弃水风险值为1.08～1.62亿m³；乌江渡弃水风险幅值(小值与大值差距)最大，可见受梯级弃水逐级累加的影响，下游电站弃水风险会大幅增加。

表1

Claims (1)

1.一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法，其特征在于，包括如下步骤：

(1)构建神经网络预报模型，选取输入因子，包括：前期1-10天的实际流量、前期0-30天的累计流量、前期1-10天的实际降雨、预报降雨、是否考虑月份，其中，预报降雨采用预报期天数-1时历史对应时期的实际降雨；

(2)基于历史实际径流资料，进行模型参数率定，在训练过程中，采用误差反向传导算法自动修正模型参数，以不断提高模型参数的准确度；

(3)绘制径流预报-实际径流相关图：以历史长系列降雨、径流资料为输入，进行大量连续径流预报实验，统计预报流量和对应日期的实际流量数据，绘制各电站不同预见期的径流预报-实际径流相关图；

(4)确定径流预报转移分布关系：对于任一电站i,当预见期为t时，从径流预报-实际径流相关图上采用80％置信水平确定径流偏差的边界值，即任一预报流量最可能发生的径流转移分布关系，称为径流偏差范围

其中，

为电站i预见期t时的最小发电流量，即径流偏差下限；

为电站i预见期t时的最大发电流量，即径流偏差上限；

(5)进行发电模拟调度：以梯级弃水量最小为目标，构建梯级水电站优化调度模型，重点针对径流预报和径流偏差上限，计算对应的最优调度决策；

式中：Min R为最小梯级弃水量；i，M分别为电站编号和电站总数；t，T分别为时段编号和时段总数；

表示电站i预见期内第t时段的弃水流量；Δ_t为第t时段的小时数；

(6)确定弃水风险：将径流预报的发电模拟调度得到的最小梯级弃水量作为弃水风险的下限值，将径流偏差上限的发电模拟调度得到的最小梯级弃水量作为弃水风险的上限值，确定余留库容、弃水区间和梯级弃水的时空分布情况。

Images