CN113344288A - 梯级水电站群水位预测方法、装置及计算机可读存储介质 - Google Patents

梯级水电站群水位预测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113344288A
CN113344288A CN202110717505.XA CN202110717505A CN113344288A CN 113344288 A CN113344288 A CN 113344288A CN 202110717505 A CN202110717505 A CN 202110717505A CN 113344288 A CN113344288 A CN 113344288A
Authority
CN
China
Prior art keywords
water level
hydropower station
station group
cascade hydropower
sequence
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
CN202110717505.XA
Other languages
English (en)
Other versions
CN113344288B (zh
Inventor
路通
郭海锋
刘若泽
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202110717505.XA priority Critical patent/CN113344288B/zh
Publication of CN113344288A publication Critical patent/CN113344288A/zh
Application granted granted Critical
Publication of CN113344288B publication Critical patent/CN113344288B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种梯级水电站群水位预测方法、装置及计算机可读存储介质，本发明的技术要点是使用K‑means++聚类算法识别梯级水电站群当前的水文状态，以精确地划分水文时期；在此基础上，利用基于LSTM网络的序列预测方法，同时结合采集的水文信息和气象信息对梯级水电站群的水位作出预测。本发明可较为准确地根据梯级水电站的运行情况和周边的水文和气象条件变化准确预测后续时段的水位变化情况，从而为水电站调度运行提供依据，提升梯级水电站群的整体经济效益和风险预防能力。

Description

梯级水电站群水位预测方法、装置及计算机可读存储介质
技术领域
本发明涉及梯级水电站群水位预测技术领域，尤其涉及一种基于LSTM网络的梯级水电站群水位预测方法。
背景技术
随着经济社会的高速发展，各类生产生活需求的电力也在不断增长。由于水电相比其他各类能源中有着环境污染小、经济效益高、便于调峰等优点，在我国的能源结构中占有举足轻重的地位。此外，水电站在作物灌溉、防洪防涝等工作中也发挥了重要作用。梯级水电站群作为大型水利水电工程设施，在如今传统行业数字化、信息化、智慧化转型的关键时期，急需引入各类信息技术手段提高整体的经济效益和风险防范能力。梯级水电站群的水位预测是其调度运行的决策依据，提高水位预测的准确性和实时性有利于细粒度地控制水电站群的运行，提高调度运行决策的速度和质量。
传统的基于物理模型的梯级水电站群水位预测方法，利用形式化的物理定律构建多层级的水文模型，对水位的变动过程进行数值模拟和预测等。但是，在实际的生产过程中，传统方法存在计算开销大、实时性较差、准确性不高、难以应对突发气象状况等缺陷，并且需要丰富的专家经验来调试水位预测系统，鲁棒性较差。
针对传统方法存在的缺陷和水电站实际运行中的需求，本发明提出了一种基于LSTM网络的梯级水电站群水位预测方法。
发明内容
本发明提供一种提高梯级水电站群中水位预测准确性的梯级水电站群水位预测方法、装置及存储介质。
为解决上述技术问题，本发明采用的技术方案是：
一种梯级水电站群水位预测方法，包括：
S1.采集梯级水电站群的水文信息及其运行信息；
S2.利用K-means++算法将采集到的数据划分成k个水文时期，按待预测时间点的数据所属的类别整理得到水位预测数据集D＝{x1,x2,…,xm}，并得到k个时期类别的聚类中心c1,c2,…,ck；
S3.将每个类别的数据输入至数个LSTM网络中分别进行训练，训练完成后得到每个水文时期对应的网络模型参数，根据得到的聚类中心和网络模型参数得到水位预测模型；
S4.根据所述数据集中的验证数据对水位预测模型的效果进行验证，根据实际的预测准确性决定是否要提前中止LSTM网络训练，重复步骤S3，得到最终的水位预测模型；
S5.将梯级水电站群前一段时间内的水文信息和其运行信息输入步骤S4得到的最终水位预测模型中，预测水电站下一个时间段内的坝前水位信息。
一种梯级水电站群水位预测装置，其特征在于，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现所述的梯级水电站群水位预测方法。
一种计算机可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现所述梯级水电站群水位预测方法的步骤。
本发明的有益效果在于：本发明使用K-means++聚类算法识别梯级水电站当前的水文状态，以精确地划分水文时期。由于梯级水电站群的水位状况不仅取决于周边的水文状态，还与水电站群的运行状态和发电机组的负荷情况密切相关，因此本发明采用上游来水流量序列、发电机组实际出力序列、泄洪流量序列作为驱动序列，辅助划分目标序列，即待预测的坝前水位序列。与现有的按专家经验进行枯期汛期划分的系统相比，划分的粒度更为细致、更准确，且能较好的应对极端的气象和水文状况。在此基础上，利用基于LSTM网络的序列预测方法，同时结合采集的水文信息和气象信息对梯级水电站群的水位做出预测，较为准确地根据梯级水电站的运行情况和周边的水文条件变化准确预测后续时段的水位情况，从而为水电站调度运行提供依据，提升梯级水电站群的整体经济效益和风险预防能力。
附图说明
图1为本发明基于LSTM网络的梯级水电站群水位预测方法的流程图；
图2为LSTM网络的结构示意图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。在本发明的描述中，需要理解地是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，仅用来区分不同的组成部分。
图1为本发明基于LSTM网络的梯级水电站群水位预测方法的流程图，该方法具体包括：
步骤S1：采集梯级水电站群的数据并进行预处理，具体包括：
步骤S11：采集梯级水电站群的水文信息及其运行信息。采集的水文信息包括：上游来水流量序列、坝前水位变化序列；梯级水电站群运行信息包括：发电机组实际出力序列、泄洪流量序列。其中，上游来水流量序列的采集时间间隔为30分钟，坝前水位变化序列、实际出力序列的采集时间间隔为5分钟，泄洪流量序列的采集时间间隔为15分钟。
步骤S12:将上述采集到的数据中采集时间间隔较长的序列分段线性插值后统一成间隔5分钟的序列，然后再分别对每条序列利用训练集数据进行最大最小归一化处理，作为步骤S2的输入，并记录每段序列的最大值和最小值。
步骤S13:将目标序列(即坝前水位变化序列)转换到对数空间并进行标准化处理，具体的计算公式如下：
Figure BDA0003135492070000021
其中，
Figure BDA0003135492070000022
表示处理后的坝前水位变化序列，log t表示对采集的坝前水位变化序列t逐元素取对数，mean(log t)和std(log t)分别表示对数空间中坝前水位变化序列t的平均值和标准差。
步骤S2：利用K-means++算法将采集到的数据划分成k个水文时期，按待预测时间点的数据所属的类别整理得到水位预测数据集D＝{x1,x2,…,xm}，并得到k个时期类别的聚类中心c1,c2,…,ck。
具体地，步骤S2又包括：
步骤S21：随机从D中选择一个样本作为初始聚类中心c0；
步骤S22：计算D中每个样本xi到已选出聚类中心的最大距离d(xi)，对每个样本点按概率
Figure BDA0003135492070000031
选出第j个聚类中心cj。其中两样本之间的距离计算方式如下：
Figure BDA0003135492070000032
这里的x和y表示数据集D中任意的样本或聚类中心，diff(x)表示序列x的一阶差分，下表i表示序列的第i个元素。
步骤S23：重复步骤S22直到选出所有k个聚类中心c1,c2,…,ck；
步骤S24：计算每个样本xi到所有聚类中心的距离，并将其距离归为距离最小的聚类中心所对应的类；
步骤S25：对于每个类别aj，重新计算聚类中心
Figure BDA0003135492070000033
步骤S26：重复步骤S25，直到聚类中心变化误差小于阈值或算法迭代次数大于设定值，输出每个样本所属类别及其对应的聚类中心。
步骤S3：将每个类别的数据输入至对应的LSTM网络中分别进行训练，训练完成后得到每个水文时期对应的网络模型参数，根据得到的聚类中心和网络模型参数得到水位预测模型。
具体地，步骤S3又包括：
步骤S31：从数据集中的共m条训练数据中随机采样同一类别的n组T时刻的前一时段的水文信息和梯级水电站运行信息的长为T的序列作为输入，使用该类别对应的LSTM网络进行序列特征提取，得到其对应的n组输出特征向量。输入由n条形如
Figure BDA0003135492070000034
的序列构成，对应输出特征向量为
Figure BDA0003135492070000035
其中i表示样本的索引号；
步骤S32：将输出的特征向量
Figure BDA0003135492070000036
作为全连接神经网络的输入，输出T+1时刻预测坝前水位
Figure BDA0003135492070000037
分别用W和b表示全连接神经网络的权重矩阵和偏置项，则预测坝前水位
Figure BDA0003135492070000038
可表示为：
Figure BDA0003135492070000039
步骤S33：计算预测坝前水位
Figure BDA00031354920700000310
与数据集中T+1时刻观测得到的真实坝前水位值的均方误差作为该次迭代的损失,如下式：
Figure BDA0003135492070000041
其中，yT+1是数据集中T+1时刻对应的坝前水位数据真实值。
步骤S34：使用随机梯度下降法更新每个LSTM网络的权重参数θ，即根据式
Figure BDA0003135492070000042
对θ求偏导得到此次更新的梯度，乘以学习率得到更新的步长从而对网络的权重进行更新。
步骤S35：从数据集中采样下一批共n组数据，重复步骤S31至步骤S34，直至模型在验证数据上的误差不再下降或训练的迭代次数达到设定值。
具体地，步骤S31中利用LSTM网络进行特征提取的步骤包括：
步骤S311：初始化隐藏状态h0和细胞状态c0，通常初始化为全零向量；
步骤S312：输入当前t时刻的输入值xt，以及t-1时刻的隐藏状态ht-1和细胞状态ct-1，分别通过如图2所示的输入门、遗忘门、输出门来更新隐藏状态和细胞状态，得到t时刻的隐藏状态ht和细胞状态ct。其中，输入门计算两个中间变量it和at，其表达式为：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)
其中，σ和tanh分别为Sigmoid和双曲正切函数，Wi,Wa,Ui,Ua分别是权重矩阵，bi,ba是偏置项。遗忘门用于控制是否忘记上一层的细胞状态，输出概率向量ft，如下式：
ft＝σ(Wfht-1+Ufxt+bf)
其中，Wf,Uf为遗忘门的权重矩阵，bf为对应的偏置项。由此三个中间变量和上一时刻的细胞状态ct-1可按下式更新细胞状态，得到t时刻的细胞状态ct，即：
ct＝ct-1⊙ft+it⊙at
其中，⊙表示Hadamard乘积。得到t时刻的细胞状态ct后，利用输出门计算得到t时刻的隐藏状态ht，即：
ot＝σ(Woht-1+Uoxt+bo)
ht＝ot⊙ct
其中，Wo,Uo为输出门的权重矩阵，bo为对应的偏置项。
步骤S313：重复步骤S312直到总长度为T的输入序列全部处理完毕，得到隐藏状态序列(h0,h1,…,ht,…,hT),将T时刻的隐藏状态hT为输入序列对应的特征输出，用于下一步的输入。
步骤S4：根据所述数据集中的验证数据对水位预测模型的效果进行验证，根据实际的预测准确性决定是否要提前中止LSTM网络训练，重复步骤S3，得到最终的水位预测模型；
步骤S5：将梯级水电站群前一段时间内的水文信息和其运行信息输入所述的最终水位预测模型中，预测水电站下一个时间段内的水位信息。具体地，使用当前时刻T前一段时间采集的数据(x1,x2,…,xt,…,xT)作为输入序列，预测T+1时刻的水位和其他对应输入特征的预测值。将T+1时刻的预测值添加到输入序列末尾作为输入，滚动预测后一段时间的预测值，直到得到所有待预测时段内的预测水位数据。
实施例1
本发明基于LSTM网络的梯级水电站群水位预测方法，包括：
步骤S1，采集梯级水电站群的水文信息及其运行信息。
数据采集内容：上游来水流量序列、坝前水位变化序列、发电机组实际出力序列、泄洪流量序列。
数据采集频率：来水流量序列的采集时间间隔为30分钟，坝前水位、实际出力的采集时间间隔为5分钟，泄洪流量序列的采集时间间隔为15分钟。将上述采集到的数据中采集时间间隔较长的序列分段线性插值后统一成间隔5分钟的序列。
步骤S2，利用K-means++算法将采集到的数据划分成4个水文时期，按待预测时间点的数据所属的类别整理得到水位预测数据集D＝{x1,x2,…,xm}。
对每个类别所属的样本重新采样，按3:1:1的比例划分成训练集、验证集和测试集，分别用于模型的训练、训练过程中的评估和最终的模型性能测试。
步骤S3，利用训练集中的样本训练得到水位预测模型。
将每个类别的数据输入至4个独立的LSTM网络中分别进行训练，训练完成后得到每个水文时期对应的网络模型参数，根据得到的聚类中心和网络模型参数得到水位预测模型，模型的具体训练步骤如下：
步骤S31，从数据集中的共m条训练数据中随机采样同一类别的32组数据，即32条长为T＝48的序列
Figure BDA0003135492070000051
作为输入，使用该类别对应的LSTM网络进行序列特征提取，得到其对应的32组输出特征向量。
步骤S32，将输出的特征向量作为全连接神经网络的输入，输出多组T+1时刻预测水位
Figure BDA0003135492070000052
步骤S33，计算预测水位
Figure BDA0003135492070000053
与数据集中T+1时刻观测得到的真实水位值的均方误差作为该次迭代的损失,如下式：
Figure BDA0003135492070000054
其中，yT+1是数据集中T+1时刻对应的水位数据真实值。对该训练批次内所有输出损失求平均，得到这轮迭代的平均损失。
步骤S34：使用随机梯度下降法更新每个LSTM网络的权重参数θ，对θ求偏导得到此次更新的梯度，乘以学习率α＝0.001得到更新的步长从而对网络的权重进行更新。
步骤S35，从数据集中采样下一批32组数据，重复步骤S31至步骤S34，直至模型在验证数据上的误差不再下降或训练数据的总迭代周期达到500轮。
步骤S4，根据所述数据集中的验证数据对水位预测模型的效果进行验证。
根据验证集上实际的预测误差决定是否要提前中止LSTM网络训练，如果误差持续下降则继续训练，若不再下降则提前终止训练。重复步骤S3，得到最终的水位预测模型；
步骤S5，将梯级水电站群前一段时间内的水文信息和其运行信息输入所述的最终水位预测模型中，预测水电站下一个时间段内的水位信息。
使用当前时刻前4小时内采集的数据作为输入序列，预测后2小时内的水位值。
输入数据的形式为：
10:00:00来水流量404，实时出力258.87，泄洪流量0，坝前水位839.39；
10:05:00来水流量353，实时出力156.62，泄洪流量0，坝前水位839.33；
Figure BDA0003135492070000061
13:55:00来水流量685，实时出力219.19，泄洪流量641，坝前水位839.30；
预测结果的形式如下：
14:00:00坝前水位839.31
14:05:00坝前水位839.28
Figure BDA0003135492070000062
15:55:00坝前水位839.26
使用多种指标来评价预测结果的准确性，相对于不划分类别直接进行预测的方案，平均绝对误差(MAE)下降了约0.009，平均相对误差(MRE)下降了约1.62％。本实施例仅使用了四百余条历史数据，当输入数据规模增大时，可进一步降低预测误差，提高水位预测的准确性。得到该水位预测结果后，水电站调度人员或调度系统可以根据预测值优化水电站调度方案并进行防汛抗涝等工作。
实施例2
本发明还提供一种梯级水电站群水位预测装置，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现实施例1的梯级水电站群水位预测方法。
实施例3
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行实施例1的梯级水电站群水位预测方法。
所属领域的技术人员可以清楚地了解到，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种梯级水电站群水位预测方法，其特征在于，包括步骤：
S1.采集梯级水电站群的水文信息和运行信息数据；其中，水文信息包括：上游来水流量序列和坝前水位变化序列；运行信息包括：发电机组实际出力序列和泄洪流量序列；
S2.将采集到的数据划分成k个水文时期类别，按待预测时间点的数据所属的时期类别整理得到水位预测集D＝{x1，x2，...，xm}，并得到k个时期类别的聚类中心c1，c2，...，ck；m表示数据集中的样本数量；
S3.将每个时期类别的数据输入至k个LSTM网络中分别进行训练，训练完成后得到每个水文时期对应的网络模型参数，根据得到的聚类中心和网络模型参数得到水位预测模型；
S4.根据所述数据集中的验证数据对水位预测模型的效果进行验证，根据实际的预测误差调整LSTM网络训练的超参数，重复步骤S3，得到最终的水位预测模型；
S5.将梯级水电站群前一段时间内的水文信息和其运行信息输入步骤S4得到的最终水位预测模型中，预测水电站下一个时间段内的坝前水位信息。
2.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，所述步骤S1中，还包括：
对采集的坝前水位变化序列进行标准化处理：
Figure FDA0003135492060000011
其中，
Figure FDA0003135492060000012
表示处理后的坝前水位变化序列，log t表示对采集的坝前水位变化序列t逐元素取对数，mean(log t)和std(log t)分别表示坝前水位变化序列t的平均值和标准差。
3.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，所述步骤S2具体包括：
S21.随机从水位预测集D中选择一个样本作为初始聚类中心c0；
S22.计算水位预测集D中每个样本xi到已选出聚类中心的最大距离d(xi)，对每个样本点按概率
Figure FDA0003135492060000013
选出第j个聚类中心cj；
S23.重复步骤S22直到选出所有k个聚类中心c1，c2，...，ck；
S24.计算每个样本xi到所有聚类中心的距离，并将其距离归为距离最小的聚类中心所对应的类；
S25.对于每个类别aj，重新计算聚类中心
Figure FDA0003135492060000014
S26.重复步骤S25，直到聚类中心变化误差小于阈值或算法迭代次数大于设定值，输出每个样本所属类别及其对应的聚类中心。
4.如权利要求3所述的梯级水电站群水位预测方法，其特征在于，所述步骤S22中任意两样本x，y之间的距离dist(x，y)计算方式如下：
Figure FDA0003135492060000015
这里的x和y表示数据集D中任意的样本或聚类中心，diff(x)表示序列x的一阶差分，下表i表示序列的第i个元素。
5.如权利要求4所述的梯级水电站群水位预测方法，其特征在于，所述步骤S3具体包括：
S31.从所述数据集中的共m条训练数据中随机采样同一类别的n组T时刻的前一时段的水文信息和梯级水电站运行信息的长为T的序列
Figure FDA0003135492060000021
作为输入，使用该类别对应的LSTM网络进行序列特征提取，得到其对应的n组输出特征向量
Figure FDA0003135492060000022
S32.将输出的特征向量
Figure FDA0003135492060000023
作为全连接神经网络的输入，输出T+1时刻预测坝前水位
Figure FDA0003135492060000024
S33.计算预测坝前水位
Figure FDA0003135492060000025
与数据集中T+1时刻观测得到的真实坝前水位值的均方误差；
S34.使用随机梯度下降法更新每个LSTM网络的权重参数θ；
S35.从数据集中采样下一批共n组数据，重复步骤S31至步骤S34，直至模型在验证数据上的误差不再下降或训练的迭代次数达到设定值。
6.如权利要求5所述的梯级水电站群水位预测方法，其特征在于，预测水位
Figure FDA0003135492060000026
为：
Figure FDA0003135492060000027
式中，W和b分别为全连接神经网络的权重矩阵和偏置项。
7.如权利要求6所述的梯级水电站群水位预测方法，其特征在于，步骤S31中使用LSTM网络进行序列特征提取的步骤包括：
S311.初始化隐藏状态h0和细胞状态c0；
S312输入当前t时刻的输入值xt，以及t-1时刻的隐藏状态ht-1和细胞状态ct-1，分别通过输入门、遗忘门、输出门来更新隐藏状态和细胞状态，得到t时刻的隐藏状态ht和细胞状态ct；
S313.重复步骤S312直到总长度为T的输入序列全部处理完毕，得到隐藏状态序列(h0，h1，...，ht，...，hT)，将T时刻的隐藏状态hT为输入序列对应的特征输出，用于下一步的输入。
8.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，步骤S2中，利用K-means++算法将采集到的数据划分成4个水文时期类别，对应枯期、汛期和两个过渡的平水期。
9.一种梯级水电站群水位预测装置，其特征在于，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现如权利要求1至8任一所述的梯级水电站群水位预测方法。
10.一种计算机可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至8任一项所述梯级水电站群水位预测方法的步骤。
CN202110717505.XA 2021-06-28 2021-06-28 梯级水电站群水位预测方法、装置及计算机可读存储介质 Active CN113344288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110717505.XA CN113344288B (zh) 2021-06-28 2021-06-28 梯级水电站群水位预测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110717505.XA CN113344288B (zh) 2021-06-28 2021-06-28 梯级水电站群水位预测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113344288A true CN113344288A (zh) 2021-09-03
CN113344288B CN113344288B (zh) 2023-12-01

Family

ID=77479102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110717505.XA Active CN113344288B (zh) 2021-06-28 2021-06-28 梯级水电站群水位预测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113344288B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887154A (zh) * 2021-10-21 2022-01-04 中国电建集团成都勘测设计研究院有限公司 一种梯级水电站群中长期发电能力评估方法
CN114386334A (zh) * 2022-01-19 2022-04-22 浙江大学 一种基于分布式水文径流模拟替代模型的径流滚动预报方法
CN116226687A (zh) * 2023-05-10 2023-06-06 长江三峡集团实业发展(北京)有限公司 一种基于数据挖掘技术的水库日初水位估算方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764539A (zh) * 2018-05-15 2018-11-06 中国长江电力股份有限公司 一种梯级电站的上下游水位预测方法
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法
CN112506990A (zh) * 2020-12-03 2021-03-16 河海大学 一种基于时空信息的水文数据异常检测方法
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN108764539A (zh) * 2018-05-15 2018-11-06 中国长江电力股份有限公司 一种梯级电站的上下游水位预测方法
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法
CN112506990A (zh) * 2020-12-03 2021-03-16 河海大学 一种基于时空信息的水文数据异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUO-ZE LIU等: "Efficient Reinforcement Learning for StarCraft by Abstract Forward Models and Transfer Learning", 《IEEE TRANSACTIONS ON GAMES》, vol. 14, no. 2, pages 294 - 307 *
张进等: "Ｋ－ｍｅａｎｓ＋＋和ＬＳＴＭ模型在大坝监测资料分析中的应用", 《三峡大学学报（自然科学版）》, vol. 43, no. 4, pages 25 - 30 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887154A (zh) * 2021-10-21 2022-01-04 中国电建集团成都勘测设计研究院有限公司 一种梯级水电站群中长期发电能力评估方法
CN113887154B (zh) * 2021-10-21 2023-05-26 中国电建集团成都勘测设计研究院有限公司 一种梯级水电站群中长期发电能力评估方法
CN114386334A (zh) * 2022-01-19 2022-04-22 浙江大学 一种基于分布式水文径流模拟替代模型的径流滚动预报方法
CN116226687A (zh) * 2023-05-10 2023-06-06 长江三峡集团实业发展(北京)有限公司 一种基于数据挖掘技术的水库日初水位估算方法及装置

Also Published As

Publication number Publication date
CN113344288B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN106529814B (zh) 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
CN112949945A (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN108197744B (zh) 一种光伏发电功率的确定方法及系统
CN113344288A (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN108022001A (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN111736084B (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN106778838A (zh) 一种预测空气质量的方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN114169434A (zh) 一种负荷预测方法
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN114676814A (zh) 一种基于satcn-lstm的风功率超短期预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN112734131A (zh) 一种基于深度学习算法的风机叶片覆冰状态预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN116307139A (zh) 一种优化与改进极限学习机的风电功率超短期预测方法
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置

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