CN113256005A - 一种基于神经网络模型的电站水位过程预测方法及设备 - Google Patents

一种基于神经网络模型的电站水位过程预测方法及设备 Download PDF

Info

Publication number
CN113256005A
CN113256005A CN202110589919.9A CN202110589919A CN113256005A CN 113256005 A CN113256005 A CN 113256005A CN 202110589919 A CN202110589919 A CN 202110589919A CN 113256005 A CN113256005 A CN 113256005A
Authority
CN
China
Prior art keywords
power station
neural network
network model
flow
water level
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
CN202110589919.9A
Other languages
English (en)
Other versions
CN113256005B (zh
Inventor
何滔
汪文元
王孝群
龙岩
汪广明
卢玉龙
李理想
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.)
Guoneng Dadu River Shaping Power Generation Co ltd
Hebei University of Engineering
Original Assignee
Guoneng Dadu River Shaping Power Generation Co ltd
Hebei University of Engineering
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 Guoneng Dadu River Shaping Power Generation Co ltd, Hebei University of Engineering filed Critical Guoneng Dadu River Shaping Power Generation Co ltd
Priority to CN202110589919.9A priority Critical patent/CN113256005B/zh
Publication of CN113256005A publication Critical patent/CN113256005A/zh
Application granted granted Critical
Publication of CN113256005B publication Critical patent/CN113256005B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及河道型水库水量平衡计算领域，公开了一种基于神经网络模型的电站水位过程预测方法及设备，包括将上游电站出库流量到下游电站入库流量的径流演进时间作为下游电站入库流量的预测时长；将上一个预测时长内的电站运行数据作为一组输入变量序列输入BP神经网络模型，BP神经网络模型输出下一个预测时长内的下游电站的坝前预测水位，对BP神经网络模型进行训练；将电站当前运行数据输入至已训练完成的BP神经网络模型中，利用BP神经网络模型输出电站水位过程预测结果。本发明避免了直接采用静态曲线而导致的误差，不受静态曲线变化的影响，提高了水位计算速度和计算精度，预测结果相比于传统水量平衡模型精度更高。

Description

一种基于神经网络模型的电站水位过程预测方法及设备
技术领域
本发明涉及河道型水库水量平衡计算技术领域，具体地涉及一种基于神经网络模型的电站水位过程预测方法及设备。
背景技术
现有技术中，水库的水量平衡计算对于检验水库正常运行过程、进行区域水资源评价、制定水库调度计划具有重要意义。在传统的水量平衡模型中，需要计算入库流量和出库流量，并将一定时段内的出入库流量差作为库容变化量，从而计算水位在时段末的变化。其中，入库流量来源于上游梯级水库的泄洪量以及上下游水库之间的区间径流量；出库流量包括泄洪流量和发电流量，其中泄洪流量需要根据当前水位和闸门开度，根据堰流公式或闸孔出流公式计算，发电流量则需要根据上下游水位和机组出力计算；库水位需要根据水位-库容曲线计算；在上述计算中，涉及到水库电站的几个特性曲线包括水位-库容关系曲线、机组N-H-Q曲线、闸门开度-水位-流量关系曲线、出库流量-下游水位关系曲线等。这些曲线自身存在误差或精度不足等问题，对于以往的水库水量平衡计算以年、月、旬为计算的时间尺度，计算周期较长，只需考虑水量上大致平衡，因此可以使用这些曲线进行计算。然而，对于水库库容较小的径流式电站，水库调度需求的周期较短，且水位相对变化量大而频繁，水位对于流量的变化较为敏感，加之上游流量变化导致水面波、闸门动作或机组工况变化导致水位波动等情况都可能导致实测水位偏差进而导致传统水量平衡计算结果误差，导致库水位变化过程预测不准确。这一部分的误差将直接影响电站实时调度决策，对于小库容的径流式电站，不适当的决策将在短时间内造成水位快速涨落，因此亟需一种更加合适的水位过程预测方法，以便于进一步制定更加合适的电站调度策略。
发明内容
本发明提供一种基于神经网络模型的电站水位过程预测方法及设备，从而解决现有技术的上述问题。
第一方面，本发明提供了一种基于神经网络模型的电站水位过程预测方法，包括以下步骤：
S1)计算上游电站出库流量到下游电站入库流量的径流演进时间，将所述上游电站出库流量到下游电站入库流量的径流演进时间作为下游电站入库流量的预测时长△t；
S2)构建BP神经网络模型，获取电站历史运行数据，将上一个预测时长△t内的电站运行数据作为一组输入变量序列并拼接为一个列向量，将所述列向量作为所述BP神经网络模型的一个输入样本，所述BP神经网络模型的目标输出为下一个预测时长内的下游电站的坝前预测水位Z(t+)，对所述BP神经网络模型进行训练；
S3)获取电站当前运行数据，将电站当前运行数据输入至已训练完成的BP神经网络模型中，利用BP神经网络模型输出电站水位过程预测结果。
进一步的，在步骤S1)中，计算上游电站出库流量到下游电站入库流量的径流演进时间，包括以下步骤：
S11)获取上游电站历史出库流量和下游电站水位变化过程，根据上游电站历史出库流量和下游电站水位变化过程计算下游电站入库流量时间序列
Figure BDA0003088972510000021
历史出库流量包括上游电站时段平均出库流量
Figure BDA0003088972510000022
下游电站水位变化过程包括水位-库容曲线；通过水位-库容曲线获取时段初库容V(Ht1)和时段末库容V(Ht2)，通过计算
Figure BDA0003088972510000023
获得下游电站时段平均入库流量
Figure BDA0003088972510000024
dt为时段长度，dt＝t2-t1,t1、t2分别为每个时段的第一时刻和第二时刻；根据下游电站时段平均入库流量
Figure BDA0003088972510000031
获得下游电站入库流量时间序列
Figure BDA0003088972510000032
S12)根据上游电站历史出库流量获取与所述下游电站入库流量时间序列
Figure BDA0003088972510000033
相对应时刻的上游电站出库流量时间序列Qout(t)，计算下游电站入库流量时间序列
Figure BDA0003088972510000034
与上游电站出库流量时间序列Qout(t)的互相关函数，互相关函数为
Figure BDA0003088972510000035
x和y分别为需要进行互相关分析的两个时间序列，
Figure BDA0003088972510000036
y＝Qout(t)，T为时间序列t的总长度，将互相关函数
Figure BDA0003088972510000037
绘制成图，图中横坐标表示两个时间序列的延迟时间，纵坐标表示在相应延迟时间下两个时间序列的相关性，当互相关函数
Figure BDA0003088972510000038
取得最大值时，两个时间序列的延迟时间为上游电站出库流量到下游电站入库流量的径流演进时间。
当t<0时，互相关函数
Figure BDA0003088972510000039
为左右对称的偶函数。
进一步的，在步骤S2)中，电站历史运行数据包括上游电站的出库流量Qout(t-)、下游电站的坝前水位Z(t-)、下游电站机组的出力计划N(t+)和下游电站闸门开度计划G(t)。
进一步的，在步骤S2)中，还包括采集新的电站运行数据，设置更新时长，每隔更新时长利用新的电站运行数据对BP神经网络模型进行训练，不断更新修正BP神经网络模型。
进一步的，在步骤S2)中，对BP神经网络模型进行训练，BP神经网络模型包括1个输入层、1个输出层和k个隐藏层，k≥1，包括以下步骤：
S21)将上一个预测时长△t内的电站运行数据作为一组输入变量序列并拼接为一个列向量，列向量为X＝[x1,...,xi,...,xn]，xi表示第i个输入数据，将列向量X＝[x1,...,xi,...,xn]作为输入BP神经网络模型的输入层，与输入层连接的第1层隐藏层为
Figure BDA0003088972510000041
的上标(1)表示第一个隐藏层的结果向量，
Figure BDA0003088972510000042
为第一个隐藏层的权重系数矩阵，
Figure BDA0003088972510000043
为第一个隐藏层的偏置项，f(·)为激活函数；
S22)经过k个隐藏层传播数据后，所述输出层的输出预测结果为
Figure BDA0003088972510000044
通过梯度下降和反向传播算法逐步调整BP神经网络模型的各个参数，各个参数包括k个隐藏层的结果向量、权重系数矩阵和偏置项，采用均方误差计算损失函数
Figure BDA0003088972510000045
为神经网络的目标输出真实结果，Yj表示输出层的第j个输出预测值，
Figure BDA0003088972510000046
表示神经网络的第j个目标输出真实值，N为输出序列的长度。
进一步的，在步骤S21)中，激活函数采用sigmoid函数。
另一方面，本发明提供了基于神经网络模型的电站水位过程预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络模型的电站水位过程预测程序，基于神经网络模型的电站水位过程预测程序被所述处理器执行时基于神经网络模型的电站水位过程预测方法的步骤。
再一方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有基于神经网络模型的电站水位过程预测程序，基于神经网络模型的电站水位过程预测程序被处理器执行时实现基于神经网络模型的电站水位过程预测方法的步骤。
本发明的有益效果是：本发明在训练好的神经网络模型中，隐含了电站的水位库容关系、机组N-H-Q曲线、水位-闸门开度-流量关系以及出库流量-尾水位关系，避免了直接采用这类静态曲线而导致的误差。传统模型中使用的静态曲线可能会随着时间的推移而不再适用，例如水位-库容关系会随着水库淤积而改变、机组N-H-Q曲线可能随着机组运行、检修或技改等发生改变。本发明所提供的计算模型由数据驱动，随着运行数据的积累和更新，可不断引入最新的运行数据来重新训练，因此不受静态曲线变化的影响。本发明计算模型中不再需要电站的入库流量，而是直接采用上游电站的出库流量，只需要确定上游梯级到下游梯级的径流演进时间，而不需要径流演进过程的精确求解，简化了过程，同时提高计算速度和计算精度。本发明模型输入均为可直接监测的数据或调度决策变量，且预测结果相比于传统水量平衡模型精度更高，因此实用性很强，尤其对于径流式开发的库容较小的电站十分适用。本发明模型训练完成后，使用时只需要简单的矩阵乘法运算，计算速度极快，可满足后续调度决策中的优化算法的调用需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例一提供的基于神经网络模型的电站水位过程预测方法流程示意图。
图2为本实施例一提供的上游电站出库与下游电站入库流量的互相关函数绘制折线示意图。
图3为本实施例一提供的沙坪电站预测水位与实测水位过程对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
实施例一，第一方面，本发明提供了一种基于神经网络模型的电站水位过程预测方法，如图1所示，包括以下步骤：
S1)计算上游电站出库流量到下游电站入库流量的径流演进时间，将所述上游电站出库流量到下游电站入库流量的径流演进时间作为下游电站入库流量的预测时长△t，包括以下步骤：
S11)获取上游电站历史出库流量和下游电站水位变化过程，根据上游电站历史出库流量和下游电站水位变化过程计算下游电站入库流量时间序列
Figure BDA00030889725100000611
历史出库流量包括上游电站时段平均出库流量
Figure BDA00030889725100000610
下游电站水位变化过程包括水位-库容曲线；通过水位-库容曲线获取时段初库容V(Ht1)和时段末库容V(Ht2)，通过计算
Figure BDA0003088972510000061
获得下游电站时段平均入库流量
Figure BDA0003088972510000062
dt为时段长度，dt＝t2-t1,t1、t2分别为每个时段的第一时刻和第二时刻；根据下游电站时段平均入库流量
Figure BDA0003088972510000063
获得下游电站入库流量时间序列
Figure BDA0003088972510000064
S12)根据上游电站历史出库流量获取与所述下游电站入库流量时间序列
Figure BDA0003088972510000065
相对应时刻的上游电站出库流量时间序列Qout(t)，计算下游电站入库流量时间序列
Figure BDA0003088972510000066
与所述上游电站出库流量时间序列Qout(t)的互相关函数，互相关函数为
Figure BDA0003088972510000067
x和y分别为需要进行互相关分析的两个时间序列，
Figure BDA0003088972510000068
y＝Qout(t)，T为时间序列t的总长度，如图2所示，将互相关函数
Figure BDA0003088972510000069
绘制成图，图中横坐标表示两个时间序列的延迟时间，纵坐标表示在相应延迟时间下两个时间序列的相关性，当互相关函数
Figure BDA0003088972510000071
取得最大值时，两个时间序列的延迟时间为上游电站出库流量到下游电站入库流量的径流演进时间。
本发明利用神经网络模型的非线性映射能力，将有明确物理意义，但难以用确定性的公式或准确的曲线来表示的物理过程，通过神经网络模型来拟合。在进行神经网络模型构建之前，首先确定模型的输入输出以及它们之间的联系。电站在未来一段时间内的水位变化过程与当前水位、未来一段时间内的入库流量和出库流量有明显物理联系。其中，当前时刻之前的水位过程在实际中可直接监测；未来一段时间的出库流量虽然无法直接获取，但可以通过发电计划和闸门开度间接表示；未来一段时间的入库流量与上游电站的出库流量有关，上游电站过去一个时间段内的出库流量决定了下游电站未来一个时间段内的入库流量，而其中时间段的长短取决于上游出库到下游入库的径流演进时间。因此，若径流演进时间为△t，则入库流量的可预测时长即为△t。
S2)构建BP神经网络模型，获取电站历史运行数据，电站历史运行数据包括上游电站的出库流量Qout(t-)、下游电站的坝前水位Z(t-)、下游电站机组的出力计划N(t+)和下游电站闸门开度计划G(t)。将上一个预测时长△t内的电站运行数据作为一组输入变量序列并拼接为一个列向量，将列向量作为BP神经网络模型的一个输入样本，BP神经网络模型的目标输出为下一个预测时长内的下游电站的坝前预测水位Z(t+)，对BP神经网络模型进行训练。本实施例中，在训练BP神经网络模型时使用电站最近1年的运行数据，即包含汛期和非汛期的电站自身的水位、闸门开度、机组出力以及上游电站出库流量等数据。
在步骤S2)中，对BP神经网络模型进行训练，BP神经网络模型包括1个输入层、1个输出层和k个隐藏层，k≥1，包括以下步骤：
S21)将上一个预测时长△t内的电站运行数据作为一组输入变量序列并拼接为一个列向量，列向量为X＝[x1,...,xi,...,xn]，xi表示第i个输入数据，将列向量X＝[x1,...,xi,...,xn]作为输入BP神经网络模型的输入层，与输入层连接的第1层隐藏层为
Figure BDA0003088972510000081
的上标(1)表示第一个隐藏层的结果向量，
Figure BDA0003088972510000082
为第一个隐藏层的权重系数矩阵，
Figure BDA0003088972510000083
为第一个隐藏层的偏置项，f(·)为激活函数；激活函数采用sigmoid函数。
S22)经过k个隐藏层传播数据后，输出层的输出预测结果为
Figure BDA0003088972510000084
通过梯度下降和反向传播算法逐步调整BP神经网络模型的各个参数，各个参数包括k个隐藏层的结果向量、权重系数矩阵和偏置项，采用均方误差计算损失函数
Figure BDA0003088972510000085
为神经网络的目标输出真实结果，Yj表示输出层的第j个输出预测值，
Figure BDA0003088972510000086
表示神经网络的第j个目标输出真实值，N为输出序列的长度。
在步骤S2)中，还包括采集新的电站运行数据，设置更新时长为一年，每隔一年利用新的电站运行数据对BP神经网络模型进行训练，不断更新修正BP神经网络模型。电站在长期运行中，由于水库淤积、机组运行、检修或技改等原因，可能导致电站神经网络中所隐含的电站运行特性发生改变，预测结果偏差逐渐增大，因此本实施例中每年都使用新采集的运行数据来对神经网络模型进行训练，不断更新修正模型。
S3)获取电站当前运行数据，将电站当前运行数据输入至已训练完成的BP神经网络模型中，利用BP神经网络模型输出电站水位过程预测结果。
本发明神经网络模型训练完成后，最终得到一系列的系数(例如上述
Figure BDA0003088972510000087
Figure BDA0003088972510000091
)，将这些系数保存。使用时，只需将BP神经网络模型的输入整理为列向量，并利用前向传播网络获得输出层的输出预测结果，输出预测结果即为对未来一段时间内电站坝前水位过程预测。本发明以上游电站过去一段时间的出库流量、电站未来一段时间内的出力和闸门开度以及过去一段时间的坝前水位过程作为BP神经网络模型的输入，预测电站未来一段时间的库水位变化过程。本发明提供了比传统水量平衡模型计算精度更高的水位预测方法，并为水库的调度计划的制定和安全运行提供基础。
本发明以大渡河沙坪二级水电站为例，沙坪二级水电站于2008年5月8日开工，2018年9月7日电站全投。位于四川省乐山市峨边彝族自治县和金口河区境内大渡河干流河段，上邻枕头坝一级水电站，下接龚嘴水电站。电站水库总库容为2084万m，调节库容585万m，装设6台单机容量为58MW的灯泡贯流式发电机组。死水位550m，正常蓄水位554.00m。上游枕头坝至沙坪二级水电站区间为大渡河干流，无其他支流。按照本实施例描述方法计算如下：
(1)采集沙坪电站2019年的运行数据，包括上游枕头坝电站的出库流量、沙坪电站的上游水位、闸门开度、出力等，所有数据统一处理为5分钟尺度。
(2)按照步骤S1)，根据出库流量和水位变化过程，利用
Figure BDA0003088972510000092
反推2019年全年沙坪入库流量过程，并与枕头坝电站的出库流量过程进行对比,通过对比结果能够得知两个流量之间存在一定的时间延迟；利用
Figure BDA0003088972510000093
计算沙坪入库流量与枕头坝出库流量的互相关函数并绘制成图2，根据图2可确定枕头坝到沙坪之间的径流演进时间约为80分钟。
(3)按照步骤S2)，本实施例中构建BP神经网络模型为一个拥有3个隐藏层、1个输入层和1个输出层的全连接神经网络模型。通过计算损失函数对神经网络模型进行训练，训练中选取沙坪电站2019年1月1日～9月30日的运行数据，共105120个样本，作为神经网络模型的训练集，模型训练完成后，保存已训练完成的BP神经网络模型。
(4)再选取沙坪2019年10月1日～12月31日的运行数据，共26464个样本，作为BP神经网络模型的测试集。根据BP神经网络模型预测沙坪电站的坝前水位变化过程，并将预测结果与实测的沙坪电站坝前水位过程进行对比。图3给出了2019年12月15日全天沙坪电站预测水位与实测水位过程对比图，通过图3可以看到，本发明设计的水位过程预测模型具有较高的预测精度。
另一方面，本发明提供了基于神经网络模型的电站水位过程预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络模型的电站水位过程预测程序，基于神经网络模型的电站水位过程预测程序被所述处理器执行时基于神经网络模型的电站水位过程预测方法的步骤。
再一方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有基于神经网络模型的电站水位过程预测程序，基于神经网络模型的电站水位过程预测程序被处理器执行时实现基于神经网络模型的电站水位过程预测方法的步骤。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明在训练好的神经网络模型中，隐含了电站的水位库容关系、机组N-H-Q曲线、水位-闸门开度-流量关系以及出库流量-尾水位关系，避免了直接采用这类静态曲线而导致的误差。传统模型中使用的静态曲线可能会随着时间的推移而不再适用，例如水位-库容关系会随着水库淤积而改变、机组N-H-Q曲线可能随着机组运行、检修或技改等发生改变。本发明所提供的计算模型由数据驱动，随着运行数据的积累和更新，可不断引入最新的运行数据来重新训练，因此不受静态曲线变化的影响。本发明计算模型中不再需要电站的入库流量，而是直接采用上游电站的出库流量，只需要确定上游梯级到下游梯级的径流演进时间，而不需要径流演进过程的精确求解，简化了过程，同时提高计算速度和计算精度。本发明模型输入均为可直接监测的数据或调度决策变量，且预测结果相比于传统水量平衡模型精度更高，因此实用性很强，尤其对于径流式开发的库容较小的电站十分适用。本发明模型训练完成后，使用时只需要简单的矩阵乘法运算，计算速度极快，可满足后续调度决策中的优化算法的调用需求。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于神经网络模型的电站水位过程预测方法，其特征在于，包括以下步骤：
S1)计算上游电站出库流量到下游电站入库流量的径流演进时间，将所述上游电站出库流量到下游电站入库流量的径流演进时间作为下游电站入库流量的预测时长△t；
S2)构建BP神经网络模型，获取电站历史运行数据，将上一个预测时长△t内的电站运行数据作为一组输入变量序列并拼接为一个列向量，将所述列向量作为所述BP神经网络模型的一个输入样本，所述BP神经网络模型的目标输出为下一个预测时长内的下游电站的坝前预测水位Z(t+)，对所述BP神经网络模型进行训练；
S3)获取电站当前运行数据，将所述电站当前运行数据输入至已训练完成的BP神经网络模型中，利用所述BP神经网络模型输出电站水位过程预测结果。
2.根据权利要求1所述的基于神经网络模型的电站水位过程预测方法，其特征在于，在步骤S1)中，计算上游电站出库流量到下游电站入库流量的径流演进时间，包括以下步骤：
S11)获取上游电站历史出库流量和下游电站水位变化过程，根据所述上游电站历史出库流量和所述下游电站水位变化过程计算下游电站入库流量时间序列
Figure FDA0003088972500000011
所述历史出库流量包括上游电站时段平均出库流量
Figure FDA0003088972500000012
所述下游电站水位变化过程包括水位-库容曲线；通过水位-库容曲线获取时段初库容V(Ht1)和时段末库容V(Ht2)，通过计算
Figure FDA0003088972500000013
获得下游电站时段平均入库流量
Figure FDA0003088972500000014
dt为时段长度，dt＝t2-t1,t1、t2分别为每个时段的第一时刻和第二时刻；根据所述下游电站时段平均入库流量
Figure FDA0003088972500000016
获得下游电站入库流量时间序列
Figure FDA0003088972500000015
S12)根据上游电站历史出库流量获取与所述下游电站入库流量时间序列
Figure FDA0003088972500000021
相对应时刻的上游电站出库流量时间序列Qout(t)，计算所述下游电站入库流量时间序列
Figure FDA0003088972500000022
与所述上游电站出库流量时间序列Qout(t)的互相关函数，所述互相关函数为
Figure FDA0003088972500000023
x和y分别为需要进行互相关分析的两个时间序列，
Figure FDA0003088972500000024
y＝Qout(t)，T为时间序列t的总长度，将所述互相关函数
Figure FDA0003088972500000025
绘制成图，图中横坐标表示两个时间序列的延迟时间，纵坐标表示在相应延迟时间下两个时间序列的相关性，当互相关函数
Figure FDA0003088972500000026
取得最大值时，两个时间序列的延迟时间为上游电站出库流量到下游电站入库流量的径流演进时间。
3.根据权利要求1或2所述的基于神经网络模型的电站水位过程预测方法，其特征在于，在步骤S2)中，所述电站历史运行数据包括上游电站的出库流量Qout(t-)、下游电站的坝前水位Z(t-)、下游电站机组的出力计划N(t+)和下游电站闸门开度计划G(t)。
4.根据权利要求1所述的基于神经网络模型的电站水位过程预测方法，其特征在于，在步骤S2)中，还包括采集新的电站运行数据，设置更新时长，每隔更新时长利用所述新的电站运行数据对BP神经网络模型进行训练，不断更新修正所述BP神经网络模型。
5.根据权利要求1所述的基于神经网络模型的电站水位过程预测方法，其特征在于，在步骤S2)中，对所述BP神经网络模型进行训练，所述BP神经网络模型包括1个输入层、1个输出层和k个隐藏层，包括以下步骤：
S21)将上一个预测时长△t内的电站运行数据作为一组输入变量序列并拼接为一个列向量，所述列向量为X＝[x1,...,xi,...,xn]，xi表示第i个输入数据，将所述列向量X＝[x1,...,xi,...,xn]作为输入所述BP神经网络模型的输入层，与所述输入层连接的第1层隐藏层为
Figure FDA0003088972500000031
的上标(1)表示第一个隐藏层的结果向量，
Figure FDA0003088972500000032
为第一个隐藏层的权重系数矩阵，
Figure FDA0003088972500000033
为第一个隐藏层的偏置项，f(·)为激活函数；
S22)经过k个隐藏层传播数据后，所述输出层的输出预测结果为
Figure FDA0003088972500000034
通过梯度下降和反向传播算法逐步调整BP神经网络模型的各个参数，采用均方误差计算损失函数
Figure FDA0003088972500000035
为神经网络的目标输出真实结果，N为输出序列的长度。
6.根据权利要求5所述的基于神经网络模型的电站水位过程预测方法，其特征在于，在步骤S21)中，所述激活函数采用sigmoid函数。
7.一种基于神经网络模型的电站水位过程预测设备，其特征在于，所述基于神经网络模型的电站水位过程预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络模型的电站水位过程预测程序，所述基于神经网络模型的电站水位过程预测程序被所述处理器执行时实现如权利要求1至6任一项所述的基于神经网络模型的电站水位过程预测方法的步骤。
CN202110589919.9A 2021-05-28 2021-05-28 一种基于神经网络模型的电站水位过程预测方法及设备 Active CN113256005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589919.9A CN113256005B (zh) 2021-05-28 2021-05-28 一种基于神经网络模型的电站水位过程预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589919.9A CN113256005B (zh) 2021-05-28 2021-05-28 一种基于神经网络模型的电站水位过程预测方法及设备

Publications (2)

Publication Number Publication Date
CN113256005A true CN113256005A (zh) 2021-08-13
CN113256005B CN113256005B (zh) 2023-07-25

Family

ID=77185210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589919.9A Active CN113256005B (zh) 2021-05-28 2021-05-28 一种基于神经网络模型的电站水位过程预测方法及设备

Country Status (1)

Country Link
CN (1) CN113256005B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570159A (zh) * 2021-08-26 2021-10-29 西安理工大学 一种径流预测方法、系统及计算机存储介质
CN114611778A (zh) * 2022-03-04 2022-06-10 山东锋士信息技术有限公司 一种基于入库流量的水库水位预警方法及系统
CN116011733A (zh) * 2022-12-08 2023-04-25 河海大学 一种多尺度协同控制的梯级水电站群智能调度方法及系统
CN116304482A (zh) * 2023-05-18 2023-06-23 四川新迎顺信息技术股份有限公司 一种基于电站水库水位监测及库容计算算法
CN116933930A (zh) * 2023-07-24 2023-10-24 长江水利委员会长江科学院 一种区间降雨影响下的电站坝前水位预测方法
JP7382522B1 (ja) 2022-11-28 2023-11-16 中国長江電力股▲ふん▼有限公司 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体
CN117252406A (zh) * 2023-11-20 2023-12-19 长江水利委员会长江科学院 面向下游取用水需求的补水调度方法、设备及介质
CN116933930B (zh) * 2023-07-24 2024-06-11 长江水利委员会长江科学院 一种区间降雨影响下的电站坝前水位预测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007063849A (ja) * 2005-08-31 2007-03-15 Toshiba Corp 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム
CN103745023A (zh) * 2013-11-22 2014-04-23 华中科技大学 水电站发电出力方案制作与最优负荷分配耦合建模方法
JP2015049177A (ja) * 2013-09-03 2015-03-16 中国電力株式会社 流入量予測装置、流入量予測方法、水位予測装置およびプログラム
JP2015125665A (ja) * 2013-12-27 2015-07-06 株式会社日立製作所 水系計画装置及び方法
CN106127612A (zh) * 2016-07-05 2016-11-16 中国长江电力股份有限公司 水电站非弃水期下游水位变化过程预测方法
CN108734415A (zh) * 2018-06-06 2018-11-02 广西桂冠电力股份有限公司 一种梯级水库的入库流量自动校正系统
CN108764473A (zh) * 2018-05-23 2018-11-06 河北工程大学 一种基于相关分析的bp神经网络用水量预测方法
CN109190819A (zh) * 2018-08-27 2019-01-11 南方电网科学研究院有限责任公司 一种考虑梯级动态水流滞时的短期优化调度模型
CN110706126A (zh) * 2019-09-20 2020-01-17 南方电网科学研究院有限责任公司 一种上下游水电站流量滞时匹配模型的建立方法及装置
CN110717840A (zh) * 2019-10-24 2020-01-21 四川农业大学 一种梯级水电站发电预计划优化方法
US20200090285A1 (en) * 2018-03-16 2020-03-19 Dalian University Of Technology Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree
CN111435469A (zh) * 2019-01-11 2020-07-21 中国长江电力股份有限公司 一种梯级电站中下游电站入库流量的预测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007063849A (ja) * 2005-08-31 2007-03-15 Toshiba Corp 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム
JP2015049177A (ja) * 2013-09-03 2015-03-16 中国電力株式会社 流入量予測装置、流入量予測方法、水位予測装置およびプログラム
CN103745023A (zh) * 2013-11-22 2014-04-23 华中科技大学 水电站发电出力方案制作与最优负荷分配耦合建模方法
JP2015125665A (ja) * 2013-12-27 2015-07-06 株式会社日立製作所 水系計画装置及び方法
CN106127612A (zh) * 2016-07-05 2016-11-16 中国长江电力股份有限公司 水电站非弃水期下游水位变化过程预测方法
US20200090285A1 (en) * 2018-03-16 2020-03-19 Dalian University Of Technology Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree
CN108764473A (zh) * 2018-05-23 2018-11-06 河北工程大学 一种基于相关分析的bp神经网络用水量预测方法
CN108734415A (zh) * 2018-06-06 2018-11-02 广西桂冠电力股份有限公司 一种梯级水库的入库流量自动校正系统
CN109190819A (zh) * 2018-08-27 2019-01-11 南方电网科学研究院有限责任公司 一种考虑梯级动态水流滞时的短期优化调度模型
CN111435469A (zh) * 2019-01-11 2020-07-21 中国长江电力股份有限公司 一种梯级电站中下游电站入库流量的预测方法
CN110706126A (zh) * 2019-09-20 2020-01-17 南方电网科学研究院有限责任公司 一种上下游水电站流量滞时匹配模型的建立方法及装置
CN110717840A (zh) * 2019-10-24 2020-01-21 四川农业大学 一种梯级水电站发电预计划优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐杨: "非弃水期葛洲坝水电站下游水位变化过程预测新方法", 水利水电科技进展 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570159A (zh) * 2021-08-26 2021-10-29 西安理工大学 一种径流预测方法、系统及计算机存储介质
CN114611778A (zh) * 2022-03-04 2022-06-10 山东锋士信息技术有限公司 一种基于入库流量的水库水位预警方法及系统
CN114611778B (zh) * 2022-03-04 2022-09-06 山东锋士信息技术有限公司 一种基于入库流量的水库水位预警方法及系统
JP7382522B1 (ja) 2022-11-28 2023-11-16 中国長江電力股▲ふん▼有限公司 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体
CN116011733A (zh) * 2022-12-08 2023-04-25 河海大学 一种多尺度协同控制的梯级水电站群智能调度方法及系统
CN116011733B (zh) * 2022-12-08 2023-11-28 河海大学 一种多尺度协同控制的梯级水电站群智能调度方法及系统
CN116304482A (zh) * 2023-05-18 2023-06-23 四川新迎顺信息技术股份有限公司 一种基于电站水库水位监测及库容计算算法
CN116304482B (zh) * 2023-05-18 2023-08-29 四川新迎顺信息技术股份有限公司 一种基于电站水库水位监测及库容计算算法
CN116933930A (zh) * 2023-07-24 2023-10-24 长江水利委员会长江科学院 一种区间降雨影响下的电站坝前水位预测方法
CN116933930B (zh) * 2023-07-24 2024-06-11 长江水利委员会长江科学院 一种区间降雨影响下的电站坝前水位预测方法
CN117252406A (zh) * 2023-11-20 2023-12-19 长江水利委员会长江科学院 面向下游取用水需求的补水调度方法、设备及介质
CN117252406B (zh) * 2023-11-20 2024-02-02 长江水利委员会长江科学院 面向下游取用水需求的补水调度方法、设备及介质

Also Published As

Publication number Publication date
CN113256005B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN113256005A (zh) 一种基于神经网络模型的电站水位过程预测方法及设备
CN111222698B (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
Xu et al. Short‐term inflow forecasting using an artificial neural network model
CN108875161B (zh) 基于卷积神经网络深度学习的流量等级预测方法
JP4807565B2 (ja) 流量予測装置
Thirumalaiah et al. Hydrological forecasting using neural networks
CN112101660B (zh) 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法
CN109711617B (zh) 一种基于blstm深度学习的中长期径流预测方法
JP4414378B2 (ja) 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム
WO2018026651A1 (en) Method and apparatus for model-based control of a water distribution system
CN113762618B (zh) 一种基于多因子相似分析的湖泊水位预报方法
CN102032935A (zh) 城市排水汇流管网污水泵站流量的软测量方法
CN111553394B (zh) 基于循环神经网络和关注机制的水库水位预测方法
CN115759459B (zh) 一种雨水工情耦合的流域洪水流量集合概率智能预报方法
CN115640881A (zh) 一种基于lstm的水库入库径流预报模型的水库水位修正方法
CN114219131A (zh) 一种基于lstm的流域径流预测方法
CN113591411A (zh) 一种水库泥沙淤积预测预报方法
CN104636874A (zh) 检测业务异常的方法及设备
CN111680398B (zh) 一种基于Holt-Winters模型的单机性能退化预测方法
JP4146053B2 (ja) ダムまたは河川における流量予測方法
CN114254833A (zh) 基于多元线性回归和气象数据的水库水位预测及调度方法
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及系统
CN117200223A (zh) 日前电力负荷预测方法和装置
CN109992868B (zh) 一种基于异参离散广义Nash汇流模型的河道洪水预报方法
KR20240000915A (ko) 유역 상세화를 통한 실적자료 기반 물수급 분석 방법 및 그 방법을 구현하기 위한 컴퓨터로 판독 가능한 기록매체에 저장된 프로그램

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