CN115713165A - 一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质 - Google Patents
一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115713165A CN115713165A CN202211501138.0A CN202211501138A CN115713165A CN 115713165 A CN115713165 A CN 115713165A CN 202211501138 A CN202211501138 A CN 202211501138A CN 115713165 A CN115713165 A CN 115713165A
- Authority
- CN
- China
- Prior art keywords
- water level
- data
- reservoir
- model
- flt
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质，包括以下步骤：步骤1，分析动库容入库流量、库区水面线对坝前水位影响的滞后性，收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集；步骤2，基于构建的数据集，建立以前期水位、前期库区水面线特征、预报流量、出力计划、弃水计划等变量为输入的坝前水位深度学习预报模型；步骤3，基于构建的深度学习预报模型，产生不同应用条件下的水位预测结果。本发明能够在水库超短期水位预测计算中考虑动库容的影响，实现快速、高精度的水库超短期水位预测，从而为水电站发电计划制定及水库安全运行提供更好的支撑。
Description
技术领域
本发明属于水库调度技术领域，具体涉及一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质。
背景技术
在水库实际运行过程中，考虑水库来水信息和发电计划的水库超短期水位预测对于水电站发电计划制定、水库安全运行具有重要意义，基于水位预测结果可在符合调度规程的框架下对水库出力计划进行适当的修正，生产满足调度需求且发电效益最大的出力计划。
对于一般水库而言，常通过基于静库容原理的水量平衡法对水库水位进行预测，在实际应用中可以取得良好的水位预测结果。在该方法中，基于“入库水量-出库水量＝水库蓄量变化”的水量平衡关系计算水库蓄水量的变化，从而推算坝前水位变化，其中入库水量采用的是静库容入库水量，且计算中只考虑水库静库容的变化，并假定水库水面为水平面，其涨落为水平涨落。但是，对于河道型水库而言，水库动库容(最远回水断面到坝前的总蓄水量)的存在使水库水位预测面临着两方面问题：
(1)河道型水库的水面具有一定的纵向比降，水库的实际水面与坝前水位的水平线之间会形成楔形水库容积，水库蓄水量变化不仅会反映到坝前水位的变化中，也会影响库区水面线，且库区水面线变化的水动力学特征复杂，因此根据水库蓄水量变化难以直接推算水库坝前水位变化；
(2)水库的动库容入库水量仅能反映水库回水断面处的水量，其需通过库区水面线变化反映到坝前水位的变化中，因此动库容入库水量对于坝前水位的影响具有一定的滞后性。
总体而言，河道型水库动库容的存在使水库蓄量变化难以准确计算，动库容入库水量对水库坝前水位影响的滞后性也造成了水位预测的困难。
发明内容
针对现有技术存在的缺陷，本发明提供了一种考虑动库容影响的水库超短期水位预测方法，此方法能够在水库超短期水位预测计算中考虑动库容的影响，实现快速、高精度的水库超短期水位预测，从而为水电站发电计划制定及水库安全运行提供更好的支撑。
为了实现上述的技术特征，本发明的目的是这样实现的：一种考虑动库容影响的水库超短期水位预测方法，包括以下步骤：
步骤S1：数据分析及处理：
收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集(X1，X2，Y)，其中：X1包含前期水位特征和库区水面线水位特征，X2包含未来出库流量信息和考虑影响滞后性的入库流量信息，Y为输出信息；
步骤S2：建立预报模型：
基于步骤S1构建的数据集(X1，X2，Y)，建立反映输出Y和输入X＝(X1，X2)之间关系的预报模型；
步骤S3：产生水位预测结果：
基于步骤S2建立的预报模型，产生水位预测结果。
所述步骤S1具体包括：
步骤S101：根据实际业务需求设定时间步长step、预见期flt；
步骤S102：确定库区水面线水位对坝前水位影响的最大滞后期lags和入库流量对坝前水位影响的滞后时间QLags；
步骤S103：根据设定的时间步长step收集相应时间尺度的水库运行数据；
所述水库运行数据包括电站出力数据N、库区水面线水位数据WL、坝前水位数据WLUp、下游水位数据WLDown、动库容入库流量数据Q以及弃水流量数据QOut，并截取同时段的数据，截取后数据长度记为num0；
步骤S104：根据设定参数和收集数据构建数据集，数据集中包含num＝num0-lags-flt+1个样本数据，其中每一个样本点数据的构建方式如下：在某一时间点t，样本数据的输出为：
Yt ＝ [WLUpt+1； WLUpt+2； ……； WLUpt+flt] (1)
Yt为flt×1的向量，其包含未来flt个时间步长内的待预测坝前水位值，样本数据的输入为Xt，包括预测时间点t前期的水位特征数据以及未来的出力、弃水流量、考虑滞后性的动库容入库流量数据，分别记为Xt1和Xt2，其中：
Xt1＝[[WL,WLUp,WLDown]t-lags+1；[WL,WLUp,WLDown]t-lags+2；……；[WL,WLUp ,WLDown]t](2)
Xt1为lags×m的矩阵，其中m为库区水面线水位数据、坝前水位数据、下游水位数据的变量总个数，反映前期的水位情况以及库区水面线特征；
Xt2＝[[Nt+1,Qt+1-QLags,QOutt+1]；[Nt+2,Qt+2-QLags,QOutt+2]；……；[Nt+flt,Qt+flt-QLags ,QOutt+flt]](3)
Xt2为flt×3的矩阵，反映未来的出力和流量情况，将所有样本结合起来构成的数据集包含输出Y和输入X＝(X1，X2)，即数据集(X1，X2，Y)，其中Y为num×flt×1的矩阵，X1为num×lags×m的矩阵，X2为num×flt×3的矩阵。
所述步骤S2具体包括：
步骤S201：数据预处理：
采用归一化或者标准化方法将构建的数据集(X1，X2，Y)处理为标准数据集(SX1，SX2，SY)；
步骤S202：数据划分：
将标准数据集按照一定的比例随机划分为训练集(TrainSX1，TrainSX2，TrainSY)和验证集(TestSX1，TestSX2，TestSY)；
步骤S203：模型结构及参数设计：
根据所构建的数据集的特征，利用深度学习中的长短期记忆层、卷积层、全连接层设计能够提取其中库区水面线水位数据、流量数据、出力数据变化特征的模型结构，设定模型的优化目标，并设定初步的模型超参数集；
步骤S204：模型训练：
在给定的模型结构和超参数集条件下，基于训练集(TrainSX1，TrainSX2，TrainSY)对模型参数进行优化得到符合优化目标的模型；
步骤S205：模型评估：
基于训练好的模型和优化目标，评估在验证集(TestSX1，TestSX2，TestSY)中的模型效果；
步骤S206：确定预报模型：
确定模型评估结果是否满足预测精度需求，若否，则调整模型结构、优化目标和超参数，重复执行步骤S204、步骤S205，直至获取符合预测精度需求的预报模型。
所述步骤S3具体包括：
步骤S301：在进行预报的时刻T，按照步骤S103、步骤S104收集相应数据，构建该时刻T对应的样本点的输入XT＝(XT1，XT2)；
步骤S302：采用步骤S201中的数据预处理方法，将输入XT处理为SXT；
步骤S303：采用步骤S206确定的预报模型，预测得到预测结果SYHatT；
步骤S304：根据步骤S201中采用的数据预处理方法，将预测结果SYHatT逆处理为实际水位预测结果YHatT，即为该预报时刻对应的实际水位。
一种考虑动库容影响的水库超短期水位预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的考虑动库容影响的水库超短期水位预测方法。
一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的考虑动库容影响的水库超短期水位预测方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种考虑动库容影响的水库超短期水位预测方法，主要具有以下有益效果：
1、针对河道型水库动库容影响下的水位预测问题，本发明在预报输入中充分考虑动库容入库流量、库区水面线对坝前水位影响的滞后性以及前期库区水面线水位特征反映的蓄水量，从而更好地反映坝前水位变化的影响因素，提升预测的精度和可靠性。
2、针对库区水面线变化情况下水库蓄量难以求解的问题，本发明通过构建深度学习模块以提取历史运行过程中不同条件下的库区水面线变化特征，从而实现在复杂水动力学条件下的坝前水位预测计算。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明提供的考虑动库容影响的水库超短期水位预测方法的流程示意图。
图2为实施例中的优化后的模型结构图。
图3为实施例中某一次预报的预报水位和实测水位对比图。
图4为实施例中全年预报的整体误差随预见期的变化图。
图5为实施例中全年预报的整体误差分布图。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
实施例1：
如图1所示，本发明一方面提供一种考虑动库容影响的水库超短期水位预测方法，其通过对库区水面线时空信息的提取以反映水库动库容的影响，通过对入库径流滞后以反映动库容入库径流对坝前水位变化影响的滞后性。所述方法包括如下步骤：
步骤S1：数据分析及处理：收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集(X1，X2，Y)，其中：X1包含前期水位特征和库区水面线水位特征，X2包含未来出库流量信息和考虑影响滞后性的入库流量信息，Y为输出信息。具体包括如下步骤：
步骤S101：根据实际业务需求设定计算的时间步长step、预见期flt(指预测后续flt步)。
在本实施例中，设置时间步长为1小时，预见期为48小时，即step＝1，flt＝48。
步骤S102：通过机理分析或数据相关性分析，确定库区水面线水位对坝前水位影响的最大滞后期lags和入库流量对坝前水位影响的滞后时间QLags。
在本实施例中，根据动库容水动力学特性，确定库区水面线水位对坝前水位影响的最大滞后期lags为24小时，入库流量对坝前水位影响的滞后时间QLags为8小时，即lags＝24，QLags＝8。
步骤S103：根据设定的时间步长step收集相应时间尺度的水库运行数据，其中，所述水库运行数据包括电站出力数据N、库区水面线水位数据WL、坝前水位数据WLUp、下游水位数据WLDown、动库容入库流量数据Q以及弃水流量数据QOut，并截取同时段的数据，截取后数据长度记为num0。
在本实施例中，收集了某水电站(记为A电站)2015-2019年运行期间的电站出力数据N、库区水面线的9个点的水位数据WL、坝前水位数据WLUp、下游水位数据WLDown、动库容入库流量(可采用预报入库流量)数据Q以及弃水流量数据QOut，由于不同数据的时间精度不同，因此，通过数据插补或降尺度方法将其处理为1小时尺度数据，处理后的数据长度为num0＝43825行。
步骤S104：根据设定参数和收集数据构建数据集。数据集中包含num＝num0-lags-flt+1个样本数据，其中每一个样本点数据的构建方式如下：在某一时间点t，样本数据的输出为：
Yt ＝ [WLUpt+1； WLUpt+2； ……； WLUpt+flt] (1)
Yt为flt×1的向量，其包含未来flt个时间步长内的待预测坝前水位值，样本数据的输入为Xt，包括预测时间点t前期的水位特征数据以及未来的出力、弃水流量、考虑滞后性的动库容入库流量数据，分别记为Xt1和Xt2，其中：
Xt1＝[[WL,WLUp,WLDown]t-lags+1；[WL,WLUp,WLDown]t-lags+2；……；[WL,WLUp ,WLDown]t](2)
Xt1为lags×m的矩阵，其中m为库区水面线水位、坝前水位数据、下游水位数据的变量总个数，反映前期的水位情况以及库区水面线特征；
Xt2＝[[Nt+1,Qt+1-QLags,QOutt+1]；[Nt+2,Qt+2-QLags,QOutt+2]；……；[Nt+flt,Qt+flt-QLags,QOutt+flt]](3)
Xt2为flt×3的矩阵，反映未来的出力和流量情况，将所有样本结合起来构成的数据集包含输出Y和输入X＝(X1，X2)，即数据集(X1，X2，Y)，其中Y为num×flt×1的矩阵，X1为num×lags×m的矩阵，X2为num×flt×3的矩阵。
在本实施例中，在2015-2019年期间选择一时间点，以2019年3月15日0时为例，其待预报数据为2019年3月15日1时至2019年3月17日0时期间的坝前水位数据(48×1矩阵)，其输入包含前期水位数据和同期出力、流量数据，其中前期水位数据为2019年3月14日1时至2019年3月15日0时期间的水面线9个点的水位以及坝前水位、下游水位，为24×11的矩阵，其同期的出力、流量数据为2019年3月15日1时至2019年3月17日0时期间的出力数据、弃水流量数据以及2019年3月14日17时至2019年3月16日16时期间的入库流量数据，为48×3的矩阵。通过这种构建方式形成的数据集中共包含43825-24-48+1＝43754个样本点，将所有样本结合起来构成的数据集包含输出Y和输入X＝(X1，X2)，其中Y为43754×48×1的矩阵，X1为43754×24×11的矩阵，X2为43754×48×3的矩阵。
步骤S2：基于构建的数据集(X1，X2，Y)，建立反映输出Y和输入X＝(X1，X2)之间关系的预报模型。具体步骤为：
步骤S201：数据预处理。在本实施例中，为了避免数据差异过大导致的模型训练问题，采用归一化方法将数据处理到0和1之间，处理方式如下：
式中，v为14个变量(11个点的水位以及出力、入库流量、弃水流量)中的任意一个，vi为该变量在某一时刻的原始数据，vmin、vmax分别为该数据的最小值、最大值，zi为转换后的值。
经归一化处理后，数据集(X1，X2，Y)转换为数据皆在0和1之间的归一化数据(SX1，SX2，SY)。
步骤S202：数据划分：将数据按照一定的比例随机划分为训练集(TrainSX1，TrainSX2，TrainSY)和验证集(TestSX1，TestSX2，TestSY)。在本实施例中，将数据打乱后按照3:1的比例划分。
步骤S203：模型结构及参数设计。在本实施例中，初始模型结构采用最简单的LSTM模型结构，首先，为了保证输入数据的结构一致，将SX2中的每一个样本数据改造成24×6的矩阵，并将其和SX1中的数据拼接成24×17的矩阵，然后将其作为LSTM的输入，最后添加全连接层，形成48个输出；模型的超参数包括LSTM块的个数、每次训练的数据个数、最大训练次数等，在本实施例中分别设定为50、72、100；模型的优化目标为均方根误差最小，均方误差的计算方式如下：
式中，n为数据个数，Yi和
分别为实测值和预测值。
步骤S204：模型训练：在给定的模型结构和超参数集条件下，基于模型设定训练集(TrainSX1，TrainSX2，TrainSY)，对模型参数进行优化得到符合优化目标的模型。在本实施例中，以均方误差最小为模型的训练目标，经训练后训练集均方误差为2.94×10-5(归一化处理后的误差)。
步骤S205：模型评估：
基于训练好的模型和优化目标，评估在验证集(TestSX1，TestSX2，TestSY)中的模型效果；在本实施例中，模型在验证集中的预报误差为3.09×10-5(归一化处理后的误差)。
步骤S206：确定模型评估结果是否满足预测精度需求，若否，则调整模型结构、优化目标和超参数，重复执行步骤S204、步骤S205，直至获取符合预测精度需求的预报模型。在本实施例中，根据实际效果，不断优化后确定模型结构如图2所示。其中Input 1和步骤S203步骤中的输入一致，Input 2为未来的出力、流量数据(48×3矩阵)，Outpt 1的结构为48×1的向量，和Input 2的输入拼接成48×4的矩阵作为后续的输入，最终通过TimeDistributed层形成输出。经优化调整后，训练集和验证集的均方误差分别为1.54×10-5、1.68×10-5。
步骤S3：基于步骤S2步骤中所建立的预报模型，产生水位预测结果。具体包括如下步骤：
步骤S301：在进行预报的时刻T，按照步骤S103、步骤S104步骤中所述方法收集相应数据，构建该时刻对应的样本点的输入XT＝(XT1，XT2)。在本实施例中，以2022年5月1日0时为例，其待预报数据为2022年5月1日1时至2022年5月3日0时期间的坝前水位数据(48×1矩阵)，其输入包含前期水位数据和同期出力、流量数据，其中前期水位数据为2022年4月30日1时至2022年5月1日0时期间的水面线9个点的水位以及坝前水位、下游水位，为24×11的矩阵，其同期的出力、流量数据为2022年5月1日1时至2022年5月3日0时期间的出力数据、弃水流量数据以及2022年4月30日17时至2022年5月2日16时期间的入库流量数据，为48×3的矩阵。
步骤S302：采用步骤S201中同样的数据预处理方法，将输入XT处理为SXT。在本实施例中，用步骤S201步骤中所述的归一化方法对数据进行归一化处理，其中最大值、最小值采用步骤S201步骤中的数据。
步骤S303：采用步骤S206步骤中确定的模型，预测得到SYHatT。在本实施例中，模型结构如图2所示，模型参数为步骤S206步骤中确定的参数。
步骤S304：根据步骤S201中采用的数据预处理方法，将SYHatT逆处理为YHatT。在本实施例中，采用拟归一化方法，计算公式如下：
YHati＝SYHati*(vmax-vmin)+vmin
其中，vmin、vmax分别为待预报量的最大、最小值。
最终该实施例的预报结果如图3所示。
为了进一步说明本发明所提供的考虑动库容影响的水库超短期水位预测方法的实际应用效果，进一步分析该方法在A电站2020年全年的预测效果。在误差分析时以绝对误差和平均绝对误差为分析指标，平均绝对误差的计算方式如下：
其中，
为绝对误差，
和Yi分别为预测水位和实测水位，n为进行预测的样本个数。
图4中显示了该方法在2020年全年的整体预测误差随预见期的变化情况，从图中可以看出，整体预测的平均绝对误差随预见期的增长而逐渐增长，在预见期为48小时时，预报的平均绝对误差为0.063m。图5展示了2020年全年预测的绝对误差分布情况，从图中可知，随着预见期的增长，误差较大的点的数量逐渐增多，但均有95％的样本点的绝对误差在0.2m以内。无论是平均绝对误差还是绝对误差的分布，均表明预测精度相对较小，基本能够满足精度要求。
实施例2：
本发明另一方面提供了一种考虑动库容影响的水库超短期水位预测系统，包括：计算机可读存储介质和处理器；
进一步的，所述计算机可读存储介质用于存储可执行指令；
进一步的，所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的考虑动库容影响的水库超短期水位预测方法。
实施例3：
本发明另一方面提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述的考虑动库容影响的水库超短期水位预测方法。
Claims (6)
1.一种考虑动库容影响的水库超短期水位预测方法，其特征在于，包括以下步骤：
步骤S1：数据分析及处理：
收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集（X 1 ，X 2 ，Y），其中：X 1 包含前期水位特征和库区水面线水位特征，X 2 包含未来出库流量信息和考虑影响滞后性的入库流量信息，Y为输出信息；
步骤S2：建立预报模型：
基于步骤S1构建的数据集（X 1 ，X 2 ，Y），建立反映输出Y和输入X=（X 1 ，X 2 ）之间关系的预报模型；
步骤S3：产生水位预测结果：
基于步骤S2建立的预报模型，产生水位预测结果。
2.根据权利要求1所述一种考虑动库容影响的水库超短期水位预测方法，其特征在于，所述步骤S1具体包括：
步骤S101：根据实际业务需求设定时间步长step、预见期flt；
步骤S102：确定库区水面线水位对坝前水位影响的最大滞后期lags和入库流量对坝前水位影响的滞后时间QLags；
步骤S103：根据设定的时间步长step收集相应时间尺度的水库运行数据；
所述水库运行数据包括电站出力数据N、库区水面线水位数据WL、坝前水位数据WLUp、下游水位数据WLDown、动库容入库流量数据Q以及弃水流量数据QOut，并截取同时段的数据，截取后数据长度记为num 0 ；
步骤S104：根据设定参数和收集数据构建数据集，数据集中包含num=num 0 -lags-flt+1个样本数据，其中每一个样本点数据的构建方式如下：在某一时间点t，样本数据的输出为：
Y t = [WLUp t+1 ; WLUp t+2 ; ……; WLUp t+flt ] （1）
Y t 为flt×1的向量，其包含未来flt个时间步长内的待预测坝前水位值，样本数据的输入为X t ，包括预测时间点t前期的水位特征数据以及未来的出力、弃水流量、考虑滞后性的动库容入库流量数据，分别记为X t1 和X t2 ，其中：
X t1 = [[WL, WLUp, WLDown] t-lags+1 ; [WL, WLUp, WLDown] t-lags+2 ; ……; [WL, WLUp, WLDown] t ] （2）
X t1 为lags×m的矩阵，其中m为库区水面线水位数据、坝前水位数据、下游水位数据的变量总个数，反映前期的水位情况以及库区水面线特征；
X t2 = [[N t+1 , Q t+1-QLags , QOut t+1 ]; [N t+2 , Q t+2-QLags , QOut t+2 ]; ……; [N t+flt , Q t+flt-QLags , QOut t+flt ]] （3）
X t2 为flt×3的矩阵，反映未来的出力和流量情况，将所有样本结合起来构成的数据集包含输出Y和输入X=（X 1 ，X 2 ），即数据集（X 1 ，X 2 ，Y），其中Y为num×flt×1的矩阵，X 1 为num×lags×m的矩阵，X 2 为num×flt×3的矩阵。
3.根据权利要求2所述一种考虑动库容影响的水库超短期水位预测方法，其特征在于，所述步骤S2具体包括：
步骤S201：数据预处理：
采用归一化或者标准化方法将构建的数据集（X 1 ，X 2 ，Y）处理为标准数据集（SX 1 ，SX 2 ，SY）；
步骤S202：数据划分：
将标准数据集按照一定的比例随机划分为训练集（TrainSX 1 ，TrainSX 2 ，TrainSY）和验证集（TestSX 1 ，TestSX 2 ，TestSY）；
步骤S203：模型结构及参数设计：
根据所构建的数据集的特征，利用深度学习中的长短期记忆层、卷积层、全连接层设计能够提取其中库区水面线水位数据、流量数据、出力数据变化特征的模型结构，设定模型的优化目标，并设定初步的模型超参数集；
步骤S204：模型训练：
在给定的模型结构和超参数集条件下，基于训练集（TrainSX 1 ，TrainSX 2 ，TrainSY）对模型参数进行优化得到符合优化目标的模型；
步骤S205：模型评估：
基于训练好的模型和优化目标，评估在验证集（TestSX 1 ，TestSX 2 ，TestSY）中的模型效果；
步骤S206：确定预报模型：
确定模型评估结果是否满足预测精度需求，若否，则调整模型结构、优化目标和超参数，重复执行步骤S204、步骤S205，直至获取符合预测精度需求的预报模型。
4.根据权利要求3所述一种考虑动库容影响的水库超短期水位预测方法，其特征在于，所述步骤S3具体包括：
步骤S301：在进行预报的时刻T，按照步骤S103、步骤S104收集相应数据，构建该时刻T对应的样本点的输入X T =（X T1 ，X T2 ）；
步骤S302：采用步骤S201中的数据预处理方法，将输入X T 处理为SX T ；
步骤S303：采用步骤S206确定的预报模型，预测得到预测结果SYHat T ；
步骤S304：根据步骤S201中采用的数据预处理方法，将预测结果SYHat T 逆处理为实际水位预测结果YHat T ，即为该预报时刻对应的实际水位。
5.一种考虑动库容影响的水库超短期水位预测系统，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如权利要求1-4中任一项所述的考虑动库容影响的水库超短期水位预测方法。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的考虑动库容影响的水库超短期水位预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211501138.0A CN115713165B (zh) | 2022-11-28 | 2022-11-28 | 一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质 |
| JP2023056387A JP7382522B1 (ja) | 2022-11-28 | 2023-03-30 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211501138.0A CN115713165B (zh) | 2022-11-28 | 2022-11-28 | 一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115713165A true CN115713165A (zh) | 2023-02-24 |
| CN115713165B CN115713165B (zh) | 2024-01-02 |
Family
ID=85234969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211501138.0A Active CN115713165B (zh) | 2022-11-28 | 2022-11-28 | 一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7382522B1 (zh) |
| CN (1) | CN115713165B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116467773A (zh) * | 2023-03-09 | 2023-07-21 | 中国长江电力股份有限公司 | 基于水位流量转换边界的大型水库动库容计算方法 |
| 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 |
| CN117150974A (zh) * | 2023-10-31 | 2023-12-01 | 长江三峡集团实业发展(北京)有限公司 | 基于大流量的库区水面线预测方法、装置、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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149822A (zh) * | 2007-10-15 | 2008-03-26 | 马志鹏 | 水库预报调度的灰色动态规划方法 |
| EP3843027A1 (en) * | 2019-12-27 | 2021-06-30 | Fundación Tecnalia Research & Innovation | Method, system and computer program product for predicting water usage in a water supply network |
| US20220003893A1 (en) * | 2019-10-16 | 2022-01-06 | Dalian University Of Technology | Forecast operation method for lowering reservoir flood limited water level considering forecast uncertainty |
| 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 |
| CN114860815A (zh) * | 2022-07-07 | 2022-08-05 | 中国长江三峡集团有限公司 | 水库水动力特性的分区方法、装置、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019054033A (ja) | 2017-09-13 | 2019-04-04 | 日東電工株式会社 | 配線構造体、および、配線層の転写方法 |
| JP7347918B2 (ja) | 2017-11-20 | 2023-09-20 | 日本無線株式会社 | 水位予測方法、水位予測プログラム及び水位予測装置 |
| CN113256005B (zh) | 2021-05-28 | 2023-07-25 | 国能大渡河沙坪发电有限公司 | 一种基于神经网络模型的电站水位过程预测方法及设备 |
-
2022
- 2022-11-28 CN CN202211501138.0A patent/CN115713165B/zh active Active
-
2023
- 2023-03-30 JP JP2023056387A patent/JP7382522B1/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149822A (zh) * | 2007-10-15 | 2008-03-26 | 马志鹏 | 水库预报调度的灰色动态规划方法 |
| US20220003893A1 (en) * | 2019-10-16 | 2022-01-06 | Dalian University Of Technology | Forecast operation method for lowering reservoir flood limited water level considering forecast uncertainty |
| EP3843027A1 (en) * | 2019-12-27 | 2021-06-30 | Fundación Tecnalia Research & Innovation | Method, system and computer program product for predicting water usage in a water supply network |
| 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 |
| CN114860815A (zh) * | 2022-07-07 | 2022-08-05 | 中国长江三峡集团有限公司 | 水库水动力特性的分区方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张俊等: "基于动库容曲线的水库调洪高水位查算方法研究", 《水文》, vol. 36, no. 5, pages 63 - 68 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116467773A (zh) * | 2023-03-09 | 2023-07-21 | 中国长江电力股份有限公司 | 基于水位流量转换边界的大型水库动库容计算方法 |
| 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 |
| CN117150974A (zh) * | 2023-10-31 | 2023-12-01 | 长江三峡集团实业发展(北京)有限公司 | 基于大流量的库区水面线预测方法、装置、设备及介质 |
| CN117150974B (zh) * | 2023-10-31 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 基于大流量的库区水面线预测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7382522B1 (ja) | 2023-11-16 |
| CN115713165B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115713165A (zh) | 一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质 | |
| Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
| CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
| CN108109076B (zh) | 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 | |
| CN110991687A (zh) | 一种基于经验模型的水资源调度优化方法 | |
| CN102495937A (zh) | 一种基于时间序列的预测方法 | |
| CN101819407A (zh) | 基于神经网络的污水泵站水位预测方法 | |
| JP2024077563A (ja) | 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 | |
| Lingohr et al. | Stochastic modeling of intraday photovoltaic power generation | |
| 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 | |
| CN111898253A (zh) | 一种水库调度及其下游河流生态环境保护的合作价值评估方法 | |
| CN115471006A (zh) | 一种考虑风电出力不确定性的电源规划方法及系统 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
| Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection | |
| CN117332900A (zh) | 一种3d建模输出的新能源小时间尺度功率预测方法 | |
| CN116385053A (zh) | 一种电力现货市场日前价格的预测方法、系统及介质 | |
| CN115907192A (zh) | 风电功率波动区间预测模型的生成方法、装置及电子设备 | |
| CN115423209A (zh) | 一种电力负荷需求预测方法、装置、电子设备及存储介质 | |
| CN110222879B (zh) | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 | |
| CN113837887A (zh) | 养老保险基金收支数据精准预测方法、装置、介质及设备 | |
| CN114154697A (zh) | 房屋维修资源的预测方法、装置、计算机设备和存储介质 | |
| Ahmed et al. | Implementation of water demand forecasting model to aid sustainable water supply chain management in UAE | |
| CN116933930B (zh) | 一种区间降雨影响下的电站坝前水位预测方法 |
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 |