CN116933930A - 一种区间降雨影响下的电站坝前水位预测方法 - Google Patents
一种区间降雨影响下的电站坝前水位预测方法 Download PDFInfo
- Publication number
- CN116933930A CN116933930A CN202310906893.5A CN202310906893A CN116933930A CN 116933930 A CN116933930 A CN 116933930A CN 202310906893 A CN202310906893 A CN 202310906893A CN 116933930 A CN116933930 A CN 116933930A
- Authority
- CN
- China
- Prior art keywords
- power station
- water level
- data
- prediction model
- prediction
- 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 144
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims description 23
- 238000013136 deep learning model Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 108010014173 Factor X Proteins 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 230000009471 action Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000010908 plant waste Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区间降雨影响下的电站坝前水位预测方法,属于水库调度技术领域。S1,分析梯级电站区间降雨对下游电站坝前水位影响的阈值和时滞;S2,构建电站坝前水位预测数据集,将数据划分为建模数据集和验证集;S3,建立上游电站运行计划、下游电站运行计划和梯级电站降雨等变量和坝前水位变化之间的关系,分析验证集中应用效果;S4,修改预测模型方案,构建多种新的预测模型,对比其在验证集中的预测效果,选取最合适的预测模型;S5,基于选择的预报模型,产生区间降雨影响情况下的水位预测结果。本发明采用上述的一种区间降雨影响下的电站坝前水位预测方法,可以解决梯级电站区间降雨和上游电站出流共同作用下的下游电站坝前水位预测难题。
Description
技术领域
本发明涉及水库调度技术领域,尤其是涉及一种区间降雨影响下的电站坝前水位预测方法。
背景技术
水电站在我国水安全和能源安全中发挥着重要的作用,其综合效益的发挥以及安全经济运行极大依赖于对电站水位的精细化控制。然而,水电站设计水、电两大系统,其水位变化不仅受水电出力的影响,也受上下游水文水动力条件的影响,因此,如何在复杂条件下对电站坝前水位进行预测,根据预测结果对电站运行策略进行调整使其更能满足生产调度需求,是当前电站运行过程中亟需解决的问题。
在一般情况下,常采用基于水量平衡和水库水位库容曲线的水位计算方法进行电站坝前水位预测,在实际应用中可以支撑电站调度需求。在该方法中,基于入库流量、出库流量和水量平衡方程计算水库蓄水量的变化,进而通过水位库容曲线推求电站坝前水位。针对梯级电站的下游电站,一般根据上游电站的运行计划计算上游电站出库流量后再平移转化为下游电站的入库流量,根据下游电站的运行计划计算出库流量。其中的关键在于梯级电站流量之间的转换。然而,在梯级电站区间存在降雨的情况下,下游电站入库流量的计算中存在两方面的问题:(1)水库的建设显著改变了流域的产汇流特性,部分下垫面直接变为库区,降雨直接转化为入库流量,且河道的汇流特性也发生变化,区间入流过程的模拟预测极为困难;(2)上游电站调峰、闸门开闭等造成的出库流量和区间入流叠加情况时,梯级电站区间的流量产汇流过程更为复杂,下游电站的入库流量计算较为困难。这两方面的原因共同导致了下游电站入库流量的计算困难,进而导致了水位难以预测。
在常规情况下,降雨产生的流量可以通过水文模型来进行模拟预测,然而水文模型的时间精度较低,和水位预测的需求不一致,且下游电站入库流量为区间降雨产流和上游电站出流的叠加,难以进行分割,导致水文模型率定困难。因此,综合考虑梯级电站区间降雨和上游出流,如何进行下游电站坝前水位预测是当前水电站调度运行中的一个难点。
发明内容
本发明的目的是提供一种区间降雨影响下的电站坝前水位预测方法,可以解决梯级电站区间降雨和上游电站出流共同作用下的下游电站坝前水位预测难题。
为实现上述目的,本发明提供了一种区间降雨影响下的电站坝前水位预测方法,包括以下步骤:
S1、分析上游电站出库流量及区间降雨对下游电站入库流量的影响;
S2、根据预测需求和物理分析,构建数据集并将数据划分为建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY;
S3、对建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY进行标准化处理,在标准化的建模数据集TrainSX1,TrainSX2,TrainSY的基础上构建水位预测模型M1,分析水位预测模型M1在标准化验证集TestSX1,TestSX2,TestSY中的预测效果;
S4、修改步骤S3中水位预测模型M1的输入因子及输入数据和输出数据的处理方式,构建对应的水位预测模型M2、M3、…、Mm,对比水位预测模型M1、M2、M3、…、Mm在标准化验证集中的预测效果,选取最合适的水位预测模型;
S5、基于步骤S4所选取最合适的水位预测模型,产生水位预测结果。
优选的,步骤S1中,分析上游电站出流及区间降雨对下游电站入流的影响,包括以下步骤:
S101、根据长期的梯级电站运行数据,分析上游电站出库流量和下游电站入库流量之间的关系,包括流量传播时间t1和定量描述关系,根据定量描述关系判断上游电站出库流量占下游电站入库流量的比重;
S102、选取区间降雨过程,根据区间降雨影响下的上下游流量过程,分析区间降雨产流的影响,确定区间降雨对下游电站入库流量产生影响的最大滞后时间t2。
优选的,步骤S2中,根据预测需求和物理分析,构建数据集并进行数据划分为建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY,包括以下步骤:
S201、根据预测需求设定计算的时间步长step、预见期flt;
S202、根据设定的时间步长step获取相应时间尺度的数据,包括上游电站出力、上游电站弃水流量、上游电站入库流量、下游电站出力、下游电站弃水流量、下游电站坝前水位、下游电站的下游水位以及梯级电站区间降雨,所述数据为同一时间段内的数据,数据序列长度为num0;
S203、根据上游电站入库流量和区间降雨对下游电站坝前水位影响的滞后性以及预见期flt,确定在任一时刻t进行水位预测的样本数据的覆盖时间段的起始时间t-lags+1和结束时间t+flt,其中,lags不小于对当前及未来坝前水位产生影响的最大滞后时间,即lags不小于t1、t2;
S204、根据设定参数和相应时间尺度的数据构建任一时刻t的样本,构建方式如下:样本数据的输出为Yt=[WLUpt+1;WLUpt+2;……;WLUpt+flt],样本数据的输出Yt为flt×1的向量,WLUpt+1、WLUpt+2、WLUpt+flt分别为t+1、t+2、t+flt时刻的下游电站坝前水位;
样本数据的输入因子Xt分为两部分,第一部分为X1t,包括预测时间点及之前lags-1个时间步长内的流量、降雨、水位特征,X1t为lags×p的矩阵,其中p为第一部分的变量个数;第二部分为X2t,包括预测时间点后的flt个时间步长的上游电站入库流量、上下游电站出力计划、上下游电站弃水流量以及区间降雨,X2t为flt×q的矩阵,其中q为第二部分的变量个数;
S205、改变t的值,重复步骤S204,生成num=num0-lags-flt+1个样本数据,将num个样本数据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num×flt×1的矩阵,X1为num×lags×p的矩阵,X2为num×flt×q的矩阵;
S206、将数据集划分为建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY。
优选的,步骤S3中,对建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY进行标准化处理,在标准化的建模数据集TrainSX1,TrainSX2,TrainSY的基础上构建水位预测模型M1,分析水位预测模型M1在标准化验证集TestSX1,TestSX2,TestSY中的预测效果,包括以下步骤:
S301、对建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY进行标准化,得到标准化的建模数据集TrainSX1,TrainSX2,TrainSY和标准化的验证集TestSX1,TestSX2,TestSY;
S302、根据标准化的建模数据集TrainSX1,TrainSX2,TrainSY,基于深度学习方法设计适应标准化的建模数据集TrainSX1,TrainSX2,TrainSY结构的深度学习模型,设定深度学习模型优化目标和超参数;
S303、根据设计的深度学习模型结构、优化目标和超参数,对深度学习模型进行训练;
S304、将训练好的深度学习模型应用到标准化的验证集TestSX1,TestSX2,TestSY中,产生预测结果TestSYHat,采用与步骤S301中标准化方法所对应的逆标准化方法计算预测结果TestSYHat相应的有量纲的原始数据TestYHat,并对比原始数据TestYHat和实测数据TestY,评估预测效果;
S305、确定深度学习模型在标准化验证集的效果是否满足需求,若否,则调整深度学习模型结构、优化目标和超参数,重复步骤S303、步骤S304,直至获取符合需求的深度学习模型,符合需求的深度学习模型即为水位预测模型M1。
优选的,步骤S4中,修改步骤S3中水位预测模型M1的输入因子及输入数据和输出数据的处理方式,构建对应的水位预测模型M2、M3、…、Mm,对比水位预测模型M1、M2、M3、…、Mm在标准化验证集中的预测效果,选取最合适的水位预测模型,包括以下步骤:
S401、设定不同的预测模型方案;
不同的预测模型方案包括在输入因子中增加、去除不同的影响因子,改变输入、输出数据的处理方式;
S402、根据预测模型方案,重复执行步骤S204至步骤S305,分别构建水位预测模型M2、M3、…、Mm,分析水位预测模型M1、M2、M3、…、Mm在标准化验证集的预测效果;
S403、对比水位预测模型M1、M2、M3、…、Mm在标准化验证集的预测效果,选取最优水位预测模型MBest。
优选的,步骤S5中,基于步骤S4中所建立的最优水位预测模型MBest,产生水位预测结果包括:
S501、根据步骤S403中所建立的最优水位预测模型MBest,按照步骤S204的方法收集相应数据,构建预报时刻T的预测数据XT=(X1T,X2T);
S502、采用步骤S301的标准化方法将预测数据XT处理成无量纲的标准化数据SXT=(SX1T,SX2T);
S503、将SXT=(SX1T,SX2T)输入最优水位预测模型MBest中,计算得到模型输出SYHatT;
S504、采用与步骤S301中标准化方法所对应的逆标准化方法计算SYHatT对应的有量纲的原始数据YHatT,即为预报时刻T之后flt个时段内的实际水位过程。
因此,本发明采用上述一种区间降雨影响下的电站坝前水位预测方法,其技术效果如下:
(1)针对梯级电站下游电站坝前水位预测中存在的区间降雨的产汇流过程复杂、难以通过水文模型模拟的问题,本发明在区间降雨影响分析的基础上通过深度学习方式直接构建坝前水位和区间降雨及其它影响因子的关系,从而进行水位预测,提升预测精度和可靠性;
(2)针对区间降雨和上游电站出流叠加后下游电站水文水动力条件复杂,从而影响入库流量计算和水位预测的问题,通过构建深度学习方法从上游电站运行计划、区间降雨中提取信息,从而实现在复杂水文水动力条件下的水位预测。
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为本发明提供的区间降雨影响下的电站坝前水位预测方法的流程示意图;
图2为实施例中不同滞时情况下的A电站出库流量和B电站入库流量的关系图;其中,a为滞时0小时的A电站出库流量和B电站入库流量的关系图;b为滞时2小时的A电站出库流量和B电站入库流量的关系图;c为滞时4小时的A电站出库流量和B电站入库流量的关系图;
图3为实施例中某一次降雨中的区间降雨过程和流量过程图;
图4为实施例中全年预报的整体误差随预见期的变化图;其中,a为平均绝对误差随预见期的变化图;b为最大绝对误差随预见期的变化图;
图5为实施例中某一次预测的实测和预测水位过程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例一
如图1所示,本发明的一种区间降雨影响下的电站坝前水位预测方法,包括如下步骤:
S1:下游电站入流的影响要素分析。具体如下:
S101:统计分析上游电站出库流量和下游电站入库流量之间的关系,包括流量传播时间t1和定量描述关系。
在本实施例中,根据A电站出库流量和B电站入库流量数据,分别计算了滞时为0小时、2小时、4小时的线性拟合关系,结果如图2所示。a为滞时0小时的A电站出库流量和B电站入库流量的关系图;b为滞时2小时的A电站出库流量和B电站入库流量的关系图;c为滞时4小时的A电站出库流量和B电站入库流量的关系图。
由图2可知,在滞时为0小时、2小时、4小时时,拟合优度分别为0.9767、0.9765、0.9248,表明A电站到B电站的流量传播时间约为0~2小时,则确定t1=2小时,此时拟合关系为y=1.0407x-137.41(x为A电站出库流量,y为B电站入库流量),表明B电站入库流量基本由A电站出库流量组成,区间降雨的影响相对较小。
S102:根据典型降雨过程分析区间降雨产流的影响,确定区间降雨对下游电站入流产生影响的最大滞后时间t2。在本实施例中,如图3所示,某次有区间降雨情况下的降雨、A电站出库流量、B电站入库流量。根据降雨和流量过程的对应关系可知,降雨后约2~10小时内的流量过程受到影响,之后流量基本稳定,因此在本实施例中设定t2为10小时。
S2:数据集构建及数据划分。具体如下:
S201:根据预测需求设定计算的时间步长step、预见期flt。在本实施例中,设定计算的时间步长为1小时,预见期为48小时。
S202:根据时间步长获取相应数据。在本实施例中,收集了2015~2020年期间A电站的出力数据N1、弃水流量数据QQi1、入库流量数据Q1,B电站的出力数据N2、弃水流量数据QQi2、坝前水位数据WLUp、下游水位数据WLDown以及梯级电站区间降雨数据P,所述数据的时间尺度均处理为1小时尺度,处理后的数据序列长度num0=52609。
S203:根据影响分析和设定参数确定任一时刻t进行水位预测的样本数据的覆盖时间段的起始时间t-lags+1和结束时间t+flt。在本实施例中,结束时间应和预见期保持一致,在本实施例中为t+48,开始时间t-t1+1应小于t-t2+1和t-lags+1,考虑到后续数据处理的便利性,在本实施例中取lags=48。
S204:根据设定参数和收集数据构建时刻t的样本。在本实施例中,以2019年4月4日0时为例,该时刻样本数据的输出Yt为2019年4月4日1时至2019年4月6日0时期间的坝前水位数据,为48×1的向量;该时刻样本数据的输入包括前期数据X1t和预测同期数据X2t,在本实施例中,前期数据包括2019年4月2日1时至4月4日0时期间的B电站入库流量、B电站坝前水位、B电站下游水位、B电站全厂出力、A电站出库流量、A电站全厂出力及分厂出力(A电站分为左右厂)、A电站弃水流量,为48×9的矩阵,预测同期数据包括2019年4月4日1时至2019年4月6日0时期间的A电站全厂出力及分厂出力、A电站弃水流量、B电站全厂出力、B电站弃水流量,为48×6的矩阵。
S205:重复执行S204步骤,生成样本数据集。在本实施例中,样本数据集中包含52609-48-48+1=52514个样本,则所有样本的输出Y为52514×48的矩阵,所有样本的输入X=(X1,X2),其中,X1为52514×48×9的矩阵,X2为52514×48×7的矩阵。
S206:将数据集划分为建模数据集(TrainX1,TrainX2,TrainY)和验证集(TestX1,TestX2,TestY)。在本实施例中,以2019年的数据作为验证集,包含8713个样本,其它数据为建模数据集,包含43801个样本。
S3:模型构建,具体如下:
S301:采用标准化方法将建模数据集处理为无量纲的标准数据集,并采用同样方法处理验证集。在本实施例中,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为数据集中所用到的变量,如坝前水位变量,vi为该变量在某一时刻的原始数据,vmin、vmax分别为建模数据集中该数据的最小值、最大值,zi为转换后的值。归一化之后,得到无量纲的标准化建模数据集(TrainSX1,TrainSX2,TrainSY)和验证集(TestSX1,TestSX2,TestSY)。
S302:根据构建的数据集的特征,设计深度学习模型结构,设定模型优化目标和其它超参数。在本实施例中,考虑到TrainSX1和TrainSX2的前两个维度一致,因此先将其拼接为43801×48×15的矩阵,然后将模型的输入层接入两层LSTM模块、TimeDistributed层、全连接层,形成48个输出;模型的超参数包括两层LSTM块的个数、每次训练的样本数、最大训练次数等,在本实施例中先设定为100、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。
S303:根据设计的模型结构、优化目标和超参数,对模型进行训练。在本实施例中,训练中将建模数据集划分为训练和测试集,根据训练集效果进行参数优化,训练完成后在测试集中的均方根误差为2.01×10-5(归一化处理后的误差)。
S304:将验证期预测结果采用逆标准化方法处理成原始数据并和原始的验证集对比评估验证集的预测效果。在本实施例中,模型评估以平均绝对百分误差作为评估指标,计算方式如下:
在本实施例中,验证集的MAE为9.41厘米。
S305:调整模型结构、优化目标和超参数,优化模型。经过对比优化,模型结构调整为输入层接1层LSTM模块、TimeDistributed层、全连接层、输出层,LSTM模块个数为50,每次训练的样本数、最大训练次数分别为72、80,优化目标不变。优化后验证集的MAE为9.07厘米。
S4:修改预测模型方案,选择最优的预测模型。具体如下:
S401:设定不同的预测模型方案。在本实施例中,前述的模型方案记为模型1,在模型1的基础上,模型2在预测同期因子中加入了顶托下游电站尾水位的河道流量,模型3在模型2的基础上加入了梯级电站区间降雨,模型4在模型3的基础上以下游电站坝前水位的水位变幅作为模型输出。
S402:根据预测模型,重复执行S204至S305步骤,分别构建模型并评估效果。在本实施例中,模型1、模型2、模型3、模型4均以2019年数据作为验证集,在不同预见期的平均绝对误差、最大绝对误差分别如图4a和图4b所示。在本实施例中,模型1、模型2、模型3、模型4均以2019年数据作为验证集,在不同预见期的误差统计如表1。
表1误差统计结果
S403:对比选择最优的预报模型。从预报模型3和预报模型2的对比来看,加入了区间降雨后,平均绝对误差从7.13厘米降低为6.16厘米,最大绝对误差由147.80厘米降为95.70厘米,预报效果提升较为显著,表明在输入因子中加入区间降雨可以有效提升预测效果。从预报模型4和预报模型3的对比来看,以水位变化作为输出变量后,平均绝对误差从6.16厘米降低为5.93厘米,最大绝对误差由95.70厘米降为69.83厘米,通过模型优化进一步提升了预测效果,因此以预报模型4作为最终的模型。
S5:基于S4步骤中所建立的模型,产生水位预测结果,具体如下:
S501:在进行预报的时刻,根据模型结构设计和样本构建方法构建预测输入数据。在本实施例中,以预测时间T为2022年9月12日0时的预报为例,待预报数据为2022年9月12日1时至9月14日0时的B电站坝前水位数据(48×1的向量),输入XT的前期数据X1T包括2022年9月10日1时至9月12日0时的B电站入库流量、B电站坝前水位、B电站下游水位、B电站全厂出力、A电站出库流量、A电站全厂出力及分厂出力(A电站分为左右厂)、A电站弃水流量、B电站下游入汇支流流量、梯级电站区间降雨,输入的预测同期数据X2T包括2022年9月12日1时至9月14日0时的A电站全厂出力及分厂出力、A电站弃水流量、B电站全厂出力、B电站弃水流量、B电站下游入汇支流流量、梯级电站区间降雨。
S502:采用S301的标准化方法对其处理成无量纲的标准化数据SXT=(SX1T,SX2T)。在本实施例中采用的是相同的归一化方法和参数。
S503:将SXT=(SX1T,SX2T)输入模型MBest中,计算得到模型输出SYHatT。在本实施例中,采用的模型为S4步骤中得到的最终模型,即预报模型4。
S504:将SYHatT处理成有量纲的原始预测数据YHatT。首先,通过逆归一化方法将其处理成原始的水位变幅数据,计算公式如下:
YHati=STHati*(vmax-vmin)+vmin
其中,vmin、vmax分别为待预报量的最大、最小值。由于预报模型4的输出为水位变幅,因此在预测结果的基础上加上2022年9月12日0时的B电站坝前水位,即为2022年9月12日1时至9月14日0时的水位过程。如图5所示为预测水位过程和实测水位过程的对比。该次预测的平均绝对误差为5.6厘米,最大误差为15.1厘米。
因此,本发明采用上述一种区间降雨影响下的电站坝前水位预测方法,针对梯级电站下游电站坝前水位预测中存在的区间降雨的产汇流过程复杂、难以通过水文模型模拟的问题,本发明在区间降雨影响分析的基础上通过深度学习方式直接构建坝前水位和区间降雨及其它影响因子的关系,从而进行水位预测,提升预测精度和可靠性;针对区间降雨和上游电站出流叠加后下游电站水文水动力条件复杂,从而影响入库流量计算和水位预测的问题,通过构建深度学习方法从上游电站运行计划、区间降雨中提取信息,从而实现在复杂水文水动力条件下的水位预测。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种区间降雨影响下的电站坝前水位预测方法,其特征在于,包括以下步骤:
S1、分析上游电站出库流量及区间降雨对下游电站入库流量的影响;
S2、根据预测需求和物理分析,构建数据集并将数据划分为建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY;
S3、对建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY进行标准化处理,在标准化的建模数据集TrainSX1,TrainSX2,TrainSY的基础上构建水位预测模型M1,分析水位预测模型M1在标准化验证集TestSX1,TestSX2,TestSY中的预测效果;
S4、修改步骤S3中水位预测模型M1的输入因子及输入数据和输出数据的处理方式,构建对应的水位预测模型M2、M3、…、Mm,对比水位预测模型M1、M2、M3、…、Mm在标准化验证集中的预测效果,选取最合适的水位预测模型;
S5、基于步骤S4所选取最合适的水位预测模型,产生水位预测结果。
2.根据权利要求1所述的一种区间降雨影响下的电站坝前水位预测方法,其特征在于,步骤S1中,分析上游电站出流及区间降雨对下游电站入流的影响,包括以下步骤:
S101、根据长期的梯级电站运行数据,分析上游电站出库流量和下游电站入库流量之间的关系,包括流量传播时间t1和定量描述关系,根据定量描述关系判断上游电站出库流量占下游电站入库流量的比重;
S102、选取区间降雨过程,根据区间降雨影响下的上下游流量过程,分析区间降雨产流的影响,确定区间降雨对下游电站入库流量产生影响的最大滞后时间t2。
3.根据权利要求2所述的一种区间降雨影响下的电站坝前水位预测方法,其特征在于,步骤S2中,根据预测需求和物理分析,构建数据集并进行数据划分为建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY,包括以下步骤:
S201、根据预测需求设定计算的时间步长step、预见期flt;
S202、根据设定的时间步长step获取相应时间尺度的数据,包括上游电站出力、上游电站弃水流量、上游电站入库流量、下游电站出力、下游电站弃水流量、下游电站坝前水位、下游电站的下游水位以及梯级电站区间降雨,所述数据为同一时间段内的数据,数据序列长度为num0;
S203、根据上游电站入库流量和区间降雨对下游电站坝前水位影响的滞后性以及预见期flt,确定在任一时刻t进行水位预测的样本数据的覆盖时间段的起始时间t-lags+1和结束时间t+flt,其中,lags不小于对当前及未来坝前水位产生影响的最大滞后时间,即lags不小于t1、t2;
S204、根据设定参数和相应时间尺度的数据构建任一时刻t的样本,构建方式如下:样本数据的输出为Yt=[WLUpt+1;WLUpt+2;……;WLUpt+flt],样本数据的输出Yt为flt×1的向量,WLUpt+1、WLUpt+2、WLUpt+flt分别为t+1、t+2、t+flt时刻的下游电站坝前水位;
样本数据的输入因子Xt分为两部分,第一部分为X1t,包括预测时间点及之前lags-1个时间步长内的流量、降雨、水位特征,X1t为lags×p的矩阵,其中p为第一部分的变量个数;第二部分为X2t,包括预测时间点后的flt个时间步长的上游电站入库流量、上下游电站出力计划、上下游电站弃水流量以及区间降雨,X2t为flt×q的矩阵,其中q为第二部分的变量个数;
S205、改变t的值,重复步骤S204,生成num=num0-lags-flt+1个样本数据,将num个样本数据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num×flt×1的矩阵,X1为num×lags×p的矩阵,X2为num×flt×q的矩阵;
S206、将数据集划分为建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY。
4.根据权利要求1所述的一种区间降雨影响下的电站坝前水位预测方法,其特征在于,步骤S3中,对建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY进行标准化处理,在标准化的建模数据集TrainSX1,TrainSX2,TrainSY的基础上构建水位预测模型M1,分析水位预测模型M1在标准化验证集TestSX1,TestSX2,TestSY中的预测效果,包括以下步骤:
S301、对建模数据集TrainX1,TrainX2,TrainY和验证集TestX1,TestX2,TestY进行标准化,得到标准化的建模数据集TrainSX1,TrainSX2,TrainSY和标准化的验证集TestSX1,TestSX2,TestSY;
S302、根据标准化的建模数据集TrainSX1,TrainSX2,TrainSY,基于深度学习方法设计适应标准化的建模数据集TrainSX1,TrainSX2,TrainSY结构的深度学习模型,设定深度学习模型优化目标和超参数;
S303、根据设计的深度学习模型结构、优化目标和超参数,对深度学习模型进行训练;
S304、将训练好的深度学习模型应用到标准化的验证集TestSX1,TestSX2,TestSY中,产生预测结果TestSYHat,采用与步骤S301中标准化方法所对应的逆标准化方法计算预测结果TestSYHat相应的有量纲的原始数据TestYHat,并对比原始数据TestYHat和实测数据TestY,评估预测效果;
S305、确定深度学习模型在标准化验证集的效果是否满足需求,若否,则调整深度学习模型结构、优化目标和超参数,重复步骤S303、步骤S304,直至获取符合需求的深度学习模型,符合需求的深度学习模型即为水位预测模型M1。
5.根据权利要求3或4所述的一种区间降雨影响下的电站坝前水位预测方法,其特征在于,步骤S4中,修改步骤S3中水位预测模型M1的输入因子及输入数据和输出数据的处理方式,构建对应的水位预测模型M2、M3、…、Mm,对比水位预测模型M1、M2、M3、…、Mm在标准化验证集中的预测效果,选取最合适的水位预测模型,包括以下步骤:
S401、设定不同的预测模型方案;
不同的预测模型方案包括在输入因子中增加、去除不同的影响因子,改变输入、输出数据的处理方式;
S402、根据预测模型方案,重复执行步骤S204至步骤S305,分别构建水位预测模型M2、M3、…、Mm,分析水位预测模型M1、M2、M3、…、Mm在标准化验证集的预测效果;
S403、对比水位预测模型M1、M2、M3、…、Mm在标准化验证集的预测效果,选取最优水位预测模型MBest。
6.根据权利要求3、4或5所述的一种区间降雨影响下的电站坝前水位预测方法,其特征在于,步骤S5中,基于步骤S4中所建立的最优水位预测模型MBest,产生水位预测结果包括:
S501、根据步骤S403中所建立的最优水位预测模型MBest,按照步骤S204的方法收集相应数据,构建预报时刻T的预测数据XT=(X1T,X2T);
S502、采用步骤S301的标准化方法将预测数据XT处理成无量纲的标准化数据SXT=(SX1T,SX2T);
S503、将SXT=(SX1T,SX2T)输入最优水位预测模型MBest中,计算得到模型输出SYHatT;
S504、采用与步骤S301中标准化方法所对应的逆标准化方法计算SYHatT对应的有量纲的原始数据YHatT,即为预报时刻T之后flt个时段内的实际水位过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906893.5A CN116933930B (zh) | 2023-07-24 | 2023-07-24 | 一种区间降雨影响下的电站坝前水位预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906893.5A CN116933930B (zh) | 2023-07-24 | 2023-07-24 | 一种区间降雨影响下的电站坝前水位预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933930A true CN116933930A (zh) | 2023-10-24 |
CN116933930B CN116933930B (zh) | 2024-06-11 |
Family
ID=88378627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906893.5A Active CN116933930B (zh) | 2023-07-24 | 2023-07-24 | 一种区间降雨影响下的电站坝前水位预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933930B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3104314A1 (de) * | 2015-06-10 | 2016-12-14 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | System und verfahren zur warnung vor lokalen hochwasserereignissen |
CN109002929A (zh) * | 2018-08-20 | 2018-12-14 | 雅砻江流域水电开发有限公司 | 一种水电站水库水位预测分析与控制方法 |
CN112132313A (zh) * | 2020-08-17 | 2020-12-25 | 国电大渡河流域水电开发有限公司龚嘴水力发电总厂 | 一种水位预测方法、装置及存储介质 |
CN113256005A (zh) * | 2021-05-28 | 2021-08-13 | 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 |
CN114548511A (zh) * | 2022-01-18 | 2022-05-27 | 广西电网有限责任公司 | 一种低水头水电站群下游水库日平均入库流量的预测方法 |
CN115713165A (zh) * | 2022-11-28 | 2023-02-24 | 中国长江电力股份有限公司 | 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 |
CN115828757A (zh) * | 2022-12-12 | 2023-03-21 | 福建中锐汉鼎数字科技有限公司 | 一种流域水位预测的泄洪量滞后特征构造及选择方法 |
CN116415705A (zh) * | 2022-12-21 | 2023-07-11 | 中能国际高新科技研究院有限公司 | 一种多因素水位预测方法、装置、电子设备和计算机介质 |
-
2023
- 2023-07-24 CN CN202310906893.5A patent/CN116933930B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3104314A1 (de) * | 2015-06-10 | 2016-12-14 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | System und verfahren zur warnung vor lokalen hochwasserereignissen |
CN109002929A (zh) * | 2018-08-20 | 2018-12-14 | 雅砻江流域水电开发有限公司 | 一种水电站水库水位预测分析与控制方法 |
CN112132313A (zh) * | 2020-08-17 | 2020-12-25 | 国电大渡河流域水电开发有限公司龚嘴水力发电总厂 | 一种水位预测方法、装置及存储介质 |
CN113256005A (zh) * | 2021-05-28 | 2021-08-13 | 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 |
CN114548511A (zh) * | 2022-01-18 | 2022-05-27 | 广西电网有限责任公司 | 一种低水头水电站群下游水库日平均入库流量的预测方法 |
CN115713165A (zh) * | 2022-11-28 | 2023-02-24 | 中国长江电力股份有限公司 | 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 |
CN115828757A (zh) * | 2022-12-12 | 2023-03-21 | 福建中锐汉鼎数字科技有限公司 | 一种流域水位预测的泄洪量滞后特征构造及选择方法 |
CN116415705A (zh) * | 2022-12-21 | 2023-07-11 | 中能国际高新科技研究院有限公司 | 一种多因素水位预测方法、装置、电子设备和计算机介质 |
Non-Patent Citations (1)
Title |
---|
后永胜: "水力发电站入库径流预测模型与贝叶斯超参数优化", 《万方数据》, 19 October 2022 (2022-10-19), pages 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116933930B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN111080157B (zh) | 一种梯级水电站排磷量的调度方法和系统 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
CN115713165B (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 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN105118293B (zh) | 一种考虑长期均衡关系的道路断面交通速度短时预测方法 | |
CN102867221A (zh) | 一种中长期电量预测动态横向修正方法 | |
CN101625733A (zh) | 基于神经网络的潮水水位和时间预测方法 | |
Dang et al. | A novel multivariate grey model for forecasting periodic oscillation time series | |
CN116523142A (zh) | 一种考虑时空特性聚类的光伏集群区间预测方法 | |
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 | |
CN109376937B (zh) | 基于集合经验模态分解的自适应调度期末水位预测方法 | |
Efstratiadis et al. | Generalized storage-reliability-yield framework for hydroelectric reservoirs | |
CN116933930B (zh) | 一种区间降雨影响下的电站坝前水位预测方法 | |
CN115081681B (zh) | 一种基于prophet算法的风电功率预测方法 | |
Liu et al. | Consideration of streamflow forecast uncertainty in the development of short-term hydropower station optimal operation schemes: A novel approach based on mean-variance theory | |
CN109086245B (zh) | 一种基于替代模型的vic参数多目标方法 | |
CN112036604B (zh) | 一种考虑多时序过程因子的中期径流预报方法 | |
CN113204583B (zh) | 水库群调度决策行为挖掘方法和水库调度自动控制装置 | |
Choi et al. | Urban flood forecasting using a neuro-fuzzy technique |
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 |