CN112163723A - 基于情景划分的水电站中长期径流预测方法、介质及设备 - Google Patents

基于情景划分的水电站中长期径流预测方法、介质及设备 Download PDF

Info

Publication number
CN112163723A
CN112163723A CN202011205718.6A CN202011205718A CN112163723A CN 112163723 A CN112163723 A CN 112163723A CN 202011205718 A CN202011205718 A CN 202011205718A CN 112163723 A CN112163723 A CN 112163723A
Authority
CN
China
Prior art keywords
runoff
year
month
data
months
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011205718.6A
Other languages
English (en)
Other versions
CN112163723B (zh
Inventor
吴琼
水小宁
谢小军
张瑞刚
杨博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202011205718.6A priority Critical patent/CN112163723B/zh
Publication of CN112163723A publication Critical patent/CN112163723A/zh
Application granted granted Critical
Publication of CN112163723B publication Critical patent/CN112163723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于情景划分的水电站中长期径流预测方法、介质及设备，根据多年历史年总径流数据预测未来1～3年的年总径流量预测值，根据年总径流预测值判断下一年属于丰年、平年、枯年中的哪一种；年总径流量预测采用小波ARIMA算法进行预测，因为径流序列含有多种频率的成分，各种频率成分在不同程度上影响着未来的径流量。采用小波ARIMA预测模型首先将历史径流分成多个高频的细节信号和一个低频的近似信号之和，然后分别采用arima模型对细节信号和近似信号进行预测；最后将各部分的预测结果进行线性组合，得到最终的水电站年总径流量预测结果。本发明实现简单，实现成本低廉。

Description

基于情景划分的水电站中长期径流预测方法、介质及设备
技术领域
本发明属于水力发电技术领域，具体涉及一种基于情景划分的水电站中长期径流预测方法、介质及设备。
背景技术
目前的水电站径流预测基本都是年总径流预测，或者月径流预测，预测数据量有限。目前水电站未来一年8760个点的预测大多采用参考去年数据进行粗略经验估计对，对水电站中长期规划不具备参考指导意义。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于情景划分的水电站中长期径流预测方法、介质及设备，能够实现对任意流域水电站未来一年8760h的径流进行预测，对水电站中长期生产模拟及后续优化调度具有很强的理论指导意义。
本发明采用以下技术方案：
一种基于情景划分的水电站中长期径流预测方法，包括以下步骤：
S1、收集待预测水电站截止目前为止的历史年总径流数据，根据收集的历史年总径流数据计算年平均径流，将年总径流数据值与计算的年平均径流值相同的年份作为历史参考年，获取历史参考年全年8760个小时的径流数据作为参考历史数据；
S2、收集待预测水电站截止目前为止的月径流数据进行分析，统计每个月径流占全年径流的比例，得出月径流占比值，并将全年的月径流统计结果进行丰、平、枯场景划分；S3、采用DB4小波对步骤S1获得的历史年总径流数据进行三层小波分解，将历史径流分成多个高频的细节信号和一个低频的近似信号，然后分别采用ARIMA算法对分解出来的细节信号和近似信号进行预测，最后将各部分的预测结果进行线性组合，得到最终的年总径流预测值；
S4、根据步骤S3获得的年总径流预测值对预测年进行丰平枯划分，将大于统计年均径流值20％的年份划分为丰年，小于年均径流值20％的年份划分为枯年，剩余为平年；
S5、根据步骤S4的丰平枯年划分，结合步骤S2的丰平枯月场景划分，对步骤S2统计的月径流占比进行调整，得出预测年具有丰平枯特性的月径流占比，将具有丰平枯特性的月径流值与历史参考年的月径流值进行比较获得12个月的调整因子；
S6、利用步骤S5得到的调整因子调整历史参考年不同月份的数据，得到预测的水电站全年8760小时径流模拟数据。
具体的，步骤S1中，选取年平均径流数据跟多年年平均径流数据最接近的年份的全年8760小时径流数据作为参考历史数据。
具体的，步骤S2中，将全年的月径流统计结果进行丰、平、枯场景划分，丰月为6月～9月，平月为5月、10月和11月，枯月为12月～4月。
具体的，步骤S3中，采用DB4小波对历史径流进行三层小波分解，分解得出细节信号d1、d2、d3和近似信号a3；分别将细节信号及近似信号作为ARIMA算法的输入，经过平稳性检验、模型定阶、参数估计和残差检验分别得出d1、d2、d3和a3的预测值，将各预测值叠加得到最终年总径流的预测值。
具体的，步骤S4中，若属于丰年，对丰月、平月和枯月的月径流占比进行上浮调整；若属于枯年，对丰月、平月和枯月的月径流占比进行下浮调整；若仍属于平年，对丰月、平月和枯月的月径流占比参考上述比例进行微调整，最终得到具有丰月、平月和枯特性的月径流占比计算月径流值。
进一步的，若属于丰年，丰月上调10％，平月上调3％，枯月上调1％；若属于枯年，丰月下调5％，平月下调3％，枯月下调0.5％；若属于平年，丰月上调3％，平月上调1％，枯月上调0.5％。
具体的，步骤S5中，将预测年总径流值乘以具有丰平枯特性的12个月月径流占比，获得预测年12个月的月径流值；与历史参考年的12个月月径流值相除获得12个月的调整因子。
具体的，步骤S6中，用每个月的调整因子乘以历史参考年对应月的所有744个原始数据得到预测年对应月的744个模拟数据，根据12个月的调整因子分别调整历史参考年12个月对应的数据，得到预测的水电站全年8760小时径流模拟数据。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于情景划分的水电站中长期径流预测方法，。
进一步的，径流序列含有多种频率的成分，各种频率成分在不同程度上影响着未来的径流量。为了提高预测精度，可以采用基于小波分析理论的arima预测模型。首先将历史径流分成多个高频的细节信号和一个低频的近似信号之和，然后分别采用arima模型对细节信号和近似信号进行预测，最后将各部分的预测结果进行线性组合，得到最终的预测结果，利用历史年总径流数据采用小波ARIMA算法进行未来年总径流值预测。
进一步的，统计月径流占比可以清楚地看出该水电站年内径流分配情况，根据分配情况可以将全年的月径流统计结果进行丰、平、枯场景划分。对于水电站径流预测必须进行丰平枯划分才有意义，全年中丰月、平月、枯月的月径流占比差距很大，通过步骤S2得到电站统计月径流占比，也为了后面调整月径流占比提供调整基数。
进一步的，月径流的获得是根据预测的年总径流值乘以月径流占比得到的，想要得到预测年12个月的月径流值，必须知道预测年的年总径流以及预测年12个月的月径流占比，通过步骤S3获得一个准确地年总径流预测值，为产生具有丰平枯特性的月径流提供依据。
进一步的，水电站年总径流可以反映该水电站该年径流量的大小，水量大称为丰年，水量小称为枯年，其他称为平年。丰年、枯年、平年的枯月径流占比基本变化不大，而平月和丰月占比变化较大。通过对预测年丰平枯划分，参考丰平枯年月径流占比的调整方案可以对月径流占比进行调整，获得预测年12个月的月径流占比，步骤S4将预测年进行丰平枯划分，为后面月径流占比调整提供依据。
进一步的，将预测年总径流值乘以具有丰平枯特性的12个月月径流占比，即可获得预测年12个月的月径流值。与历史参考年的12个月月径流值相除可以获得12个月的调整因子。
进一步的，用1月的调整因子乘以历史参考年1月的所有744个原始数据即可得到预测年1月的744个模拟数据，通过步骤S5获得12个月的月径流调整因子就可以对照历史参考年对12个月的数据逐一进行调整。
进一步的，获得的1-12月的调整因子对应乘以历史参考年1-12月的所有原始数据即可得到全年8760个点的模拟数据。例如1月的调整因子乘以历史参考年1月的所有744个原始数据即可得到预测年1月的744个模拟数据。2月的调整因子乘以历史参考年2月的所有672个原始数据即可得到预测年2月的672个模拟数据。3月的调整因子乘以历史参考年3月的所有744个原始数据即可得到预测年3月的744个模拟数据。4月的调整因子乘以历史参考年1月的所有720个原始数据即可得到预测年4月的720个模拟数据。5月的调整因子乘以历史参考年5月的所有744个原始数据即可得到预测年5月的744个模拟数据。6月的调整因子乘以历史参考年6月的所有720个原始数据即可得到预测年6月的744个模拟数据。7月的调整因子乘以历史参考年7月的所有744个原始数据即可得到预测年7月的744个模拟数据。8月的调整因子乘以历史参考年8月的所有744个原始数据即可得到预测年8月的744个模拟数据。9月的调整因子乘以历史参考年9月的所有720个原始数据即可得到预测年9月的720个模拟数据。10月的调整因子乘以历史参考年10月的所有744个原始数据即可得到预测年10月的744个模拟数据。11月的调整因子乘以历史参考年11月的所有720个原始数据即可得到预测年11月的720个模拟数据。12月的调整因子乘以历史参考年12月的所有744个原始数据即可得到预测年12月的744个模拟数据。将所有模拟数据相加即可获得预测年全年8760个点的径流模拟数据。
综上所述，本发明实现简单，实现成本低廉。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程示意图；
图2为历史年总平均径流与三年预测年总径流结果图；
图3为某水电站(1961～2016)年月径流占比统计情况；
图4为全年径流模拟对比结果图。
具体实施方式
本发明提供了一种基于情景划分的水电站中长期径流预测方法、介质及设备，根据多年历史年总径流数据预测未来1～3年的年总径流量预测值，根据年总径流预测值判断下一年属于丰年、平年、枯年中的哪一种；年总径流量预测采用小波ARIMA算法进行预测，因为径流序列含有多种频率的成分，各种频率成分在不同程度上影响着未来的径流量。采用小波ARIMA预测模型首先将历史径流分成多个高频的细节信号和一个低频的近似信号之和，然后分别采用arima模型对细节信号和近似信号进行预测；最后将各部分的预测结果进行线性组合，得到最终的水电站年总径流量预测结果。
请参阅图1，本发明一种基于情景划分的水电站中长期径流预测方法，包括以下步骤：
S1、收集待预测水电站多年的年总径流数据进行，计算多年年平均径流；
同时选取年平均径流数据跟多年年平均径流数据最接近的年份的全年8760小时径流数据作为参考历史数据。
因为要将一个年总径流预测值变成一个8760个点的全年小时级模拟数据，所以必须有一个具有8760个历史数据的参考年作为调整依据，所有的调整都是基于这个参考年的数据展开的。计算年平均径流也是为了去选取参考年，因为参考年应尽量选取年总径流接近年平均径流的年份，这样上下调整都方便。
S2、收集待预测水电站月径流数据进行分析，统计每个月径流量占全年径流量的比例，得出月径流占比特性；
将全年的月径流统计结果进行丰、平、枯场景划分，例如若月径流占比统计结果为：1月径流量占比多数为3％；2月径流量占比为多数为2％；3月径流量占比多数为3％；4月径流量占比多数为5％；5月径流量占比多数为6％；6月径流量占比多数为12％；7月径流量占比多数为21％；8月径流量占比多数为16％；9月径流量占比多数为13％；10月径流量占比多数为10％；11月径流量占比多数为6％；12月径流量占比多数为3％。
丰月为6月～9月，平月为5、10、11月，枯月为12月～4月。
S3、采用DB4小波对历史径流进行三层小波分解，将历史径流分成多个高频的细节信号和一个低频的近似信号，然后分别采用ARIMA算法对分解出来的细节信号和近似信号分别进行预测，最后将各部分的预测结果进行线性组合，得到最终的年总径流预测值；
采用DB4小波对历史径流进行三层小波分解，分解得出细节信号d1、d2、d3和近似信号a3；分别将细节信号及近似信号作为ARIMA算法的输入，经过平稳性检验、模型定阶、参数估计和残差检验分别得出d1、d2、d3和a3的预测值，将各预测值叠加得到最终年总径流的预测值；细节信号反映的是径流变化的规律或者说是径流长期变化的走势，近似信号反应的是在上述规律下影响径流突变的一些干扰因素的变化规律。这也是小波分析算法最直接的作用。
S4、根据年总径流预测值对预测年进行丰平枯划分，将大于统计年均径流值的20％的年份划分为丰年，小于年均径流值得20％的年份划分为枯年，其他则认为预测年为平年；
若属于丰年，对丰、平、枯月的月径流占比进行上浮调整，丰月上调10％，平月上调3％，枯月上调1％；若属于枯年，对丰、平、枯月的月径流占比进行下浮调整，丰月下调5％，平月下调3％，枯月下调0.5％。若仍属于平年，对丰、平、枯月的月径流占比参考上述比例进行微调整，丰月上调3％，平月上调1％，枯月上调0.5％，最终得到具有丰、平、枯特性的月径流占比进而计算出月径流值。
S5、将月径流值与历史参考年的月径流值进行比较，获得12个月的调整因子；
将预测年总径流值乘以具有丰平枯特性的12个月月径流占比，获得预测年12个月的月径流值；与历史参考年的12个月月径流值相除获得12个月的调整因子。
S6、利用步骤S5得到的调整因子调整历史参考年不同月份的数据，得到预测的水电站全年8760小时径流模拟数据。
用每个月的调整因子乘以历史参考年对应月的所有744个原始数据得到预测年对应月的744个模拟数据，根据12个月的调整因子分别调整历史参考年12个月对应的数据，得到预测的水电站全年8760小时径流模拟数据。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明基于西南地区某水电站的历史数据，首先分析该水电站年径流特点及月径流特点，将电站径流量进行了丰-平-枯划分，然后在仅有年径流数据的基础上采用小波ARIMA算法对年径流数据进行预测然后采用年径流预测值结合统计特征分析给出基于场景划分的全年小时级径流模拟方法，并采用实际数据对所提出的方法进行仿真验证。
请参阅图2，为西南地区某水电站历史径流及采用小波ARIMA算法预测未来三年年总径流结果图，采用小波ARIMA算法可以通过采用DB4小波对历史径流进行三层小波分解，分解得出细节信号d1、d2、d3和近似信号a3；分别将细节信号及近似信号作为ARIMA算法的输入，经过平稳性检验、模型定阶、参数估计和残差检验分别得出d1、d2、d3和a3的预测值，将各预测值叠加得到最终年总径流的预测值。预测过程清楚，预测结果准确。
有了年总径流预测值后，将大于统计年均径流值的20％的年份划分为丰年，小于年均径流值的20％的年份划分为枯年，其他则认为预测年为平年。除了年径流划分以外，还需要将每年的月径流进行场景划分。通过多年月径流统计结果可以将每年不同月份再划分为丰、平、枯月，根据历史月径流统计数据拟定某水电站丰月为6月～9月，平月为5、10、11月，枯月为12月～4月，并给出月径流占比统计数据，如图3所示。
请参阅图4，进行全年径流模拟时，首先选取年平均径流数据跟多年平均径流数据最接近的年份的全年8760小时径流数据作为参考历史数据；统计该历史参考数据的月径流总和；
然后根据预测的年径流值判断预测年属于丰、平、枯年的哪一种，若属于丰年，对丰、平、枯月的月径流占比进行上浮调整；
例如枯月的月径流占比增加0.5％～1％，平月的月径流占比增加1％-3％，丰月的月径流占比增加3％～5％；若属于枯年，对丰、平、枯月的月径流占比进行下浮调整。
例如枯月的月径流占比减小0.5％～1％，平月的月径流占比减小1％～3％，丰月的月径流占比减小3％～5％。
若仍属于平年，对丰、平、枯月的月径流占比参考上述比例进行微调整，最终得到具有丰、平、枯特性的月径流占比进而计算出月径流值；
将该月径流值与历史参考年的月径流值进行比较获得12个月的调整因子，利用该因子调整历史参考年不同月份的数据后得到预测的水电站全年8760小时径流模拟数据。
本发明可以根据历史径流数据得出准确地预测数据，并通过一个年总径流数据模拟得出全年8760小时级径流数据，为水电站生产调度提供参考依据。
综上所述，本发明一种基于情景划分的水电站中长期径流预测方法、介质及设备，采用统计学的方法，统计了梯级水电站年总径流数据及月径流占比数据，并采用小波ARIMA算法进行年径流数据的预测。然后利用智能算法与统计方法相结合的思想提出了基于场景划分的水电站全年径流量模拟算法并利用算例对所提出的方法进行了验证，结果表明：本文提出的方法能够较好地模拟出水电站未来径流情况。可以为水电站优化调度，制定中长期发电计划，防洪防汛提供参考依据；实现过程简单，成本低廉，模拟效果良好。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于情景划分的水电站中长期径流预测方法，其特征在于，包括以下步骤：
S1、收集待预测水电站截止目前为止的历史年总径流数据，根据收集的历史年总径流数据计算年平均径流，将年总径流数据值与计算的年平均径流值相同的年份作为历史参考年，获取历史参考年全年8760个小时的径流数据作为参考历史数据；
S2、收集待预测水电站截止目前为止的月径流数据进行分析，统计每个月径流占全年径流的比例，得出月径流占比值，并将全年的月径流统计结果进行丰、平、枯场景划分；S3、采用DB4小波对步骤S1获得的历史年总径流数据进行三层小波分解，将历史径流分成多个高频的细节信号和一个低频的近似信号，然后分别采用ARIMA算法对分解出来的细节信号和近似信号进行预测，最后将各部分的预测结果进行线性组合，得到最终的年总径流预测值；
S4、根据步骤S3获得的年总径流预测值对预测年进行丰平枯划分，将大于统计年均径流值20％的年份划分为丰年，小于年均径流值20％的年份划分为枯年，剩余为平年；
S5、根据步骤S4的丰平枯年划分，结合步骤S2的丰平枯月场景划分，对步骤S2统计的月径流占比进行调整，得出预测年具有丰平枯特性的月径流占比，将具有丰平枯特性的月径流值与历史参考年的月径流值进行比较获得12个月的调整因子；
S6、利用步骤S5得到的调整因子调整历史参考年不同月份的数据，得到预测的水电站全年8760小时径流模拟数据。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，选取年平均径流数据跟多年年平均径流数据最接近的年份的全年8760小时径流数据作为参考历史数据。
3.根据权利要求1所述的方法，其特征在于，步骤S2中，将全年的月径流统计结果进行丰、平、枯场景划分，丰月为6月～9月，平月为5月、10月和11月，枯月为12月～4月。
4.根据权利要求1所述的方法，其特征在于，步骤S3中，采用DB4小波对历史径流进行三层小波分解，分解得出细节信号d1、d2、d3和近似信号a3；分别将细节信号及近似信号作为ARIMA算法的输入，经过平稳性检验、模型定阶、参数估计和残差检验分别得出d1、d2、d3和a3的预测值，将各预测值叠加得到最终年总径流的预测值。
5.根据权利要求1所述的方法，其特征在于，步骤S4中，若属于丰年，对丰月、平月和枯月的月径流占比进行上浮调整；若属于枯年，对丰月、平月和枯月的月径流占比进行下浮调整；若仍属于平年，对丰月、平月和枯月的月径流占比参考上述比例进行微调整，最终得到具有丰月、平月和枯特性的月径流占比计算月径流值。
6.根据权利要求5所述的方法，其特征在于，若属于丰年，丰月上调10％，平月上调3％，枯月上调1％；若属于枯年，丰月下调5％，平月下调3％，枯月下调0.5％；若属于平年，丰月上调3％，平月上调1％，枯月上调0.5％。
7.根据权利要求1所述的方法，其特征在于，步骤S5中，将预测年总径流值乘以具有丰平枯特性的12个月月径流占比，获得预测年12个月的月径流值；与历史参考年的12个月月径流值相除获得12个月的调整因子。
8.根据权利要求1所述的方法，其特征在于，步骤S6中，用每个月的调整因子乘以历史参考年对应月的所有744个原始数据得到预测年对应月的744个模拟数据，根据12个月的调整因子分别调整历史参考年12个月对应的数据，得到预测的水电站全年8760小时径流模拟数据。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
CN202011205718.6A 2020-11-02 2020-11-02 基于情景划分的水电站中长期径流预测方法、介质及设备 Active CN112163723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011205718.6A CN112163723B (zh) 2020-11-02 2020-11-02 基于情景划分的水电站中长期径流预测方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011205718.6A CN112163723B (zh) 2020-11-02 2020-11-02 基于情景划分的水电站中长期径流预测方法、介质及设备

Publications (2)

Publication Number Publication Date
CN112163723A true CN112163723A (zh) 2021-01-01
CN112163723B CN112163723B (zh) 2023-09-12

Family

ID=73865485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011205718.6A Active CN112163723B (zh) 2020-11-02 2020-11-02 基于情景划分的水电站中长期径流预测方法、介质及设备

Country Status (1)

Country Link
CN (1) CN112163723B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657664A (zh) * 2021-08-16 2021-11-16 大连海事大学 一种船舶机舱设备状态预测系统及方法
CN115481818A (zh) * 2022-10-12 2022-12-16 大连理工大学 一种基于时序分解的中长期径流预报方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604356A (zh) * 2009-06-24 2009-12-16 南京大学 一种不确定性中长期水文预报模型的建立方法
KR20140103589A (ko) * 2013-02-18 2014-08-27 아주대학교산학협력단 Ｍａｐｌｅ 기상예보자료를 이용한 홍수예측 방법 및 그 장치
US20180240202A1 (en) * 2015-08-19 2018-08-23 China Electric Power Research Institute Company Limited Method of predicting distribution network operation reliability
US20180373993A1 (en) * 2017-06-23 2018-12-27 University Of Alaska Fairbanks Method Of Predicting Streamflow Data
CN109146194A (zh) * 2018-09-05 2019-01-04 重庆工商大学 一种基于变模态卷积自编码关联向量机的径流量预测方法
CN109272140A (zh) * 2018-08-10 2019-01-25 国网河北省电力有限公司石家庄供电分公司 一种基于大数据分析的变电设备运行期成本预测方法
KR20190051243A (ko) * 2017-11-06 2019-05-15 광주과학기술원 전력 수요 예측 방법 및 그 시스템
CN110135652A (zh) * 2019-05-23 2019-08-16 吉林大学 一种长期汛期径流预测方法
CN110263293A (zh) * 2019-05-13 2019-09-20 中山大学 一种基于小波变换和联合概率分布的水文预报方法
CN110390430A (zh) * 2019-07-17 2019-10-29 西安热工研究院有限公司 一种避免频繁启停的变频式循环水泵优化运行方法
WO2019227716A1 (zh) * 2018-05-31 2019-12-05 平安科技（深圳）有限公司 流感预测模型的生成方法、装置及计算机可读存储介质
CN111311026A (zh) * 2020-03-19 2020-06-19 中国地质大学（武汉） 一种顾及数据特征、模型和校正的径流非线性预测方法
CN111709564A (zh) * 2020-06-08 2020-09-25 黄河水利委员会黄河水利科学研究院 一种气候变化条件下的流量历时曲线动态预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604356A (zh) * 2009-06-24 2009-12-16 南京大学 一种不确定性中长期水文预报模型的建立方法
KR20140103589A (ko) * 2013-02-18 2014-08-27 아주대학교산학협력단 Ｍａｐｌｅ 기상예보자료를 이용한 홍수예측 방법 및 그 장치
US20180240202A1 (en) * 2015-08-19 2018-08-23 China Electric Power Research Institute Company Limited Method of predicting distribution network operation reliability
US20180373993A1 (en) * 2017-06-23 2018-12-27 University Of Alaska Fairbanks Method Of Predicting Streamflow Data
KR20190051243A (ko) * 2017-11-06 2019-05-15 광주과학기술원 전력 수요 예측 방법 및 그 시스템
WO2019227716A1 (zh) * 2018-05-31 2019-12-05 平安科技（深圳）有限公司 流感预测模型的生成方法、装置及计算机可读存储介质
CN109272140A (zh) * 2018-08-10 2019-01-25 国网河北省电力有限公司石家庄供电分公司 一种基于大数据分析的变电设备运行期成本预测方法
CN109146194A (zh) * 2018-09-05 2019-01-04 重庆工商大学 一种基于变模态卷积自编码关联向量机的径流量预测方法
CN110263293A (zh) * 2019-05-13 2019-09-20 中山大学 一种基于小波变换和联合概率分布的水文预报方法
CN110135652A (zh) * 2019-05-23 2019-08-16 吉林大学 一种长期汛期径流预测方法
CN110390430A (zh) * 2019-07-17 2019-10-29 西安热工研究院有限公司 一种避免频繁启停的变频式循环水泵优化运行方法
CN111311026A (zh) * 2020-03-19 2020-06-19 中国地质大学（武汉） 一种顾及数据特征、模型和校正的径流非线性预测方法
CN111709564A (zh) * 2020-06-08 2020-09-25 黄河水利委员会黄河水利科学研究院 一种气候变化条件下的流量历时曲线动态预测方法

Non-Patent Citations (24)

* Cited by examiner, † Cited by third party
Title
HUA HUANG: "Study of Runoff Prediction Based on Cloud Model", 《ICCC "13: PROCEEDINGS OF THE SECOND INTERNATIONAL CONFERENCE ON INNOVATIVE COMPUTING AND CLOUD COMPUTINGDECEMBER 2013 》 *
HUA HUANG: "Study of Runoff Prediction Based on Cloud Model", 《ICCC "13: PROCEEDINGS OF THE SECOND INTERNATIONAL CONFERENCE ON INNOVATIVE COMPUTING AND CLOUD COMPUTINGDECEMBER 2013 》, 1 December 2013 (2013-12-01), pages 131 - 135, XP058046453, DOI: 10.1145/2556871.2556901 *
LI JING FEI: "Prediction Of Network Flow Based On Wavelet Analysis And ARIMA Model", 《2009 INTERNATIONAL CONFERENCE ON WIRELESS NETWORKS AND INFORMATION SYSTEMS》 *
LI JING FEI: "Prediction Of Network Flow Based On Wavelet Analysis And ARIMA Model", 《2009 INTERNATIONAL CONFERENCE ON WIRELESS NETWORKS AND INFORMATION SYSTEMS》, 15 January 2010 (2010-01-15), pages 217 - 220 *
WEN-CHUAN WANG等: "Improving Forecasting Accuracy of Annual Runoff Time", 《WATER RESOUR MANAGE (2015) 29》 *
WEN-CHUAN WANG等: "Improving Forecasting Accuracy of Annual Runoff Time", 《WATER RESOUR MANAGE (2015) 29》, 7 March 2015 (2015-03-07), pages 2655, XP035499508, DOI: 10.1007/s11269-015-0962-6 *
XIE, YANGYANG: "Hydrological Time Series Prediction by ARIMA-SVR Combined Model based on Wavelet Transform", 《3RD INTERNATIONAL CONFERENCE ON INNOVATION IN ARTIFICIAL INTELLIGENCE (ICIAI)》 *
XIE, YANGYANG: "Hydrological Time Series Prediction by ARIMA-SVR Combined Model based on Wavelet Transform", 《3RD INTERNATIONAL CONFERENCE ON INNOVATION IN ARTIFICIAL INTELLIGENCE (ICIAI)》, 31 December 2019 (2019-12-31), pages 243 - 247 *
何一韬等: "改进小波 － AＲMA 分频模型在径流预测中的应用", 《云南民族大学学报( 自然科学版)》 *
何一韬等: "改进小波 － AＲMA 分频模型在径流预测中的应用", 《云南民族大学学报( 自然科学版)》, 31 December 2016 (2016-12-31), pages 145 - 151 *
刘晓安等: "基于小波分析的月径流预测方法", 《水电自动化与大坝监测》 *
刘晓安等: "基于小波分析的月径流预测方法", 《水电自动化与大坝监测》, vol. 30, no. 4, 20 August 2006 (2006-08-20), pages 77 - 80 *
李伟等: "基于小波变换和优化的LSSVM月径流预测研究", 《科学技术创新》 *
李伟等: "基于小波变换和优化的LSSVM月径流预测研究", 《科学技术创新》, no. 29, 15 October 2018 (2018-10-15), pages 1 - 3 *
李景保等: "长江中游荆南三口河系径流演变特征及趋势预测", 《长江流域资源与环境》 *
李景保等: "长江中游荆南三口河系径流演变特征及趋势预测", 《长江流域资源与环境》, no. 09, 15 September 2017 (2017-09-15), pages 1456 - 1465 *
杜 懿: "不同改进的 ARIMA 模型在水文时间序列预测中的应用", 《水力发电》 *
杜 懿: "不同改进的 ARIMA 模型在水文时间序列预测中的应用", 《水力发电》, vol. 44, no. 4, 30 April 2018 (2018-04-30), pages 12 - 14 *
杨博等: "基于PEST的HSPF模型径流模拟优化", 《中国水土保持科学》 *
杨博等: "基于PEST的HSPF模型径流模拟优化", 《中国水土保持科学》, no. 02, 10 May 2018 (2018-05-10), pages 9 - 16 *
程时宏等: "雅砻江流域中长期径流预测方法研究", 《人民长江》 *
程时宏等: "雅砻江流域中长期径流预测方法研究", 《人民长江》, no. 11, 14 June 2011 (2011-06-14), pages 48 - 52 *
鞠琴等: "IPCC AR4气候情景下长江流域径流预测", 《水科学进展》 *
鞠琴等: "IPCC AR4气候情景下长江流域径流预测", 《水科学进展》, no. 04, 9 July 2011 (2011-07-09), pages 462 - 469 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657664A (zh) * 2021-08-16 2021-11-16 大连海事大学 一种船舶机舱设备状态预测系统及方法
CN115481818A (zh) * 2022-10-12 2022-12-16 大连理工大学 一种基于时序分解的中长期径流预报方法及系统

Also Published As

Publication number Publication date
CN112163723B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN111783953B (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN110222882A (zh) 一种电力系统中长期负荷的预测方法和装置
CN109800898A (zh) 一种智能短期负荷预测方法及系统
CN108596242B (zh) 基于小波神经网络和支持向量机的电网气象负荷预测方法
CN112163723A (zh) 基于情景划分的水电站中长期径流预测方法、介质及设备
CN106682843A (zh) 一种配电网滚动规划后评价模型建模方法
CN109118012A (zh) 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端
CN103971175A (zh) 一种多级变电站的短期负荷预测方法
CN112421631A (zh) 一种新能源消纳能力评估方法和系统
CN112054554A (zh) 基于非参数统计的自适应分布鲁棒机组组合方法及系统
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN115577752A (zh) 一种超短期光伏功率预测方法及系统
Citroen et al. Long term electricity demand forecasting using autoregressive integrated moving average model: Case study of Morocco
CN114493006A (zh) 电网运行风险预测方法、系统、计算机设备及存储介质
CN112700050B (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN110580542A (zh) 一种用电量预测方法和装置
CN116316615A (zh) 基于数据增强的分布式光伏群短期功率预测方法及系统
Angelaccio Forecasting public electricity consumption with ARIMA model: A case study from italian municipalities energy data
CN116388150A (zh) 基于数字孪生和神经网络技术的配变短期负荷预测方法
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
Elkantassi et al. INFERENCE AND SENSITIVITY IN STOCHASTIC WIND POWER FORECAST MODELS.
CN110210657B (zh) 一种基于单机模型的风机功率预测方法、系统及计算机存储介质
CN110909916B (zh) 一种基于熵权法的风力发电月度电量区间预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant