CN117093873A - 基于天然来水量预测的水电站库容能力评估方法和系统 - Google Patents
基于天然来水量预测的水电站库容能力评估方法和系统 Download PDFInfo
- Publication number
- CN117093873A CN117093873A CN202311355782.6A CN202311355782A CN117093873A CN 117093873 A CN117093873 A CN 117093873A CN 202311355782 A CN202311355782 A CN 202311355782A CN 117093873 A CN117093873 A CN 117093873A
- Authority
- CN
- China
- Prior art keywords
- natural water
- hydropower station
- prediction
- water inflow
- natural
- 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
- 239000008239 natural water Substances 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004821 distillation Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了基于天然来水量预测的水电站库容能力评估方法和系统，方法包括以下步骤：模型训练、特征获取、水量预测、库容评估。通过气象数据和水文数据等信息构建天然来水量预测模型，为水电站的来水量预期提供参考，并在保证防洪安全的前提下，提高水电站库容资源的使用效率。
Description
技术领域
本申请涉及电网技术领域，尤其涉及基于天然来水量预测的水电站库容能力评估方法和系统。
背景技术
水电作为运行灵活、成本低的可再生能源有助于提升电网的新能源消纳与调控能力，对于构建清洁低碳、稳定高效的新型电力系统具有重要意义。相较于风、光资源，水电出力主要受到季节、气候变化的影响，尤其是在汛期，流域潜在的防洪压力导致现有的水电站群汛期调度策略往往过于保守。现有技术对水电站库容弹性空间预估能力不足，水电资源无法得到充分利用，导致电网的调节能力、经济效益仍有提升空间。
发明内容
针对现有技术的不足，本申请提出了一种基于天然来水量预测的水电站库容能力评估方法和系统，该方法利用气象数据和水文数据等信息构建天然来水量预测模型，能够准确预估天然来水量，进而评估水电站库容弹性上限，解决了现有技术对水电站库容弹性空间预估能力不足，水电资源无法得到充分利用的问题。
为了实现上述目的，本申请技术方案如下：
一种基于天然来水量预测的水电站库容能力评估方法，包括以下步骤S1-S4：
S1、模型训练：利用预选的目标预测因子训练神经网络模型，得到天然来水量预测模型。
S2、特征获取：获取水电站的天然来水量特征数据；天然来水量特征数据包含总柱水量、地上露点温度、地上大气温度以及总云量。
S3、水量预测：将天然来水量特征数据输入至天然来水量预测模型，输出得到水电站的天然来水量预测结果。
S4、库容评估：根据天然来水量预测结果，得到水电站的库容能力评估结果。
可选地，步骤S1包括以下步骤S11-S15：
S11、获取水量数据训练样本集合；水量数据训练样本集合包含若干水量数据训练样本；每个水量数据训练样本包含若干目标预测因子。
S12、对每个水量数据训练样本添加附加因子，得到若干扩展水量数据训练样本；附加因子包括时间信息、位置信息。
S13、利用Informer模型建立水量数据与天然来水量相映射的待训练天然来水量预测模型。
S14、标记每个扩展水量数据训练样本对应的历史天然来水量。
S15、分别将每个扩展水量数据训练样本输入至待训练天然来水量预测模型，并以对应的历史天然来水量作为输出参考，对待训练天然来水量预测模型进行训练，得到天然来水量预测模型。
可选地，步骤S11包括以下步骤S111-S114：
S111、获取第一初始水量数据样本；第一初始水量数据样本为初始水量数据样本集合中的任一初始水量数据样本；初始水量数据样本包含多类初始预测因子。
S112、采用最大信息系数法检测第一初始水量数据样本中每个初始预测因子与天然来水量的相关性。
S113、筛选第一初始水量数据样本中相关性大于预设阈值的初始预测因子，得到若干目标预测因子；最终，得到每个初始水量数据样本中的目标预测因子；
S114、根据目标预测因子，创建水量数据训练样本集合。
可选地，最大信息系数法的表达式为：
其中，是第一初始水量数据样本的第/>种初始预测因子时间序列向量；Y是第一初始水量数据样本的天然来水量时间序列向量；I为MIC系数，反映/>与Y的相关性强弱；为/>和Y的联合分布；/>为/>的边缘分布；/>为Y的边缘分布；a、b分别为数据散点图横轴和纵轴方向的网格个数；B为网格最大值。
可选地，步骤S15包括以下步骤S151-S154：
S151、将扩展水量数据训练样本输入至待训练天然来水量预测模型的编码器。
S152、利用编码器的自注意力模块中的查询矩阵、键矩阵和值矩阵分别对扩展水量数据训练样本进行稀疏性自注意力运算，得到初始特征数据。
S153、利用编码器的蒸馏模块对初始特征数据进行蒸馏运算，得到候选特征数据。
S154、将候选特征数据输入至待训练天然来水量预测模型的解码器；利用解码器对候选特征数据进行基于掩码的稀疏性自注意力运算，得到天然来水量训练预测结果，并对天然来水量训练预测结果与历史天然来水量进行损失计算，直至损失收敛，得到天然来水量预测模型。
可选地，查询矩阵的稀疏性评价表达式为：
其中，代表查询矩阵中第i行元素的稀疏性得分；/>为查询矩阵中第i行元素；/>为键矩阵中第j行元素经过转置后的矩阵。
可选地，蒸馏运算的表达式为：
=MP（ELU（Convld（[/>]）））
其中，为蒸馏模块第j层的输出，/>为蒸馏模块第j层的输入，MP为最大池化运算；ELU为激活函数；Convld为一维卷积运算；[]为稀疏性自注意力运算。
可选地，步骤S4包括以下步骤S41-S42：
S41、通过天然来水量预测结果计算水电站的泄洪能力。
S42、根据水电站的泄洪能力，确定水电站的库容弹性上限，得到水电站的库容能力评估结果。
可选地，泄洪能力G表达式为：
G=[q/>-/> +|/>(a)|)]T+(1+b)V/>
其中，D为天然来水量预报的预测天数；为水电站i第n天的天然来水量预测结果；b为水位基准系数；V/>为水电站i的保守汛限水位对应库容；a为置信水平；T为水电站调度周期；/>为概率分布函数；/>为概率分布函数/>的反函数；/>分别为水电站i的泄流量上限。
基于相同的技术构思，本申请还提供了一种基于天然来水量预测的水电站库容能力评估系统，包括：
模型训练模块，用于利用预选的目标预测因子训练神经网络模型，得到天然来水量预测模型。
特征获取模块，用于获取水电站的天然来水量特征数据；天然来水量特征数据包含总柱水量、地上露点温度、地上大气温度以及总云量。
水量预测模块，用于将天然来水量特征数据输入至天然来水量预测模型，输出得到水电站的天然来水量预测结果。
库容评估模块，用于根据天然来水量预测结果，得到水电站的库容能力评估结果。
本申请的有益效果：通过气象数据和水文数据等信息构建天然来水量预测模型，为水电站的来水量预期提供参考，并在保证防洪安全的前提下，提高水电站库容资源的使用效率，从而提升汛期电力系统的运行经济效益。
附图说明
图1为本申请实施例中基于天然来水量预测的水电站库容能力评估方法的流程示意图。
图2为本申请实施例中基于天然来水量预测的水电站库容能力评估系统的结构示意图。
其中，图2中附图标记为：1-模型训练模块、2-特征获取模块、3-水量预测模块、4-库容评估模块。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可以包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、程序、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、程序、步骤、操作、元件、组件和/或它们的组。
图1为本申请一些实施方式中一种基于天然来水量预测的水电站库容能力评估方法的流程图，如图1所示，可以包括以下步骤S1-S4：
S1、模型训练：利用预选的目标预测因子训练神经网络模型，得到天然来水量预测模型。
预测因子是指影响流域天然来水量变化的参数，如降水量、温度、湿度等物理量。
可选地，目标预测因子包含总柱水量、地上2米露点温度、地上2米大气温度以及总云量。
一些实施方式中，步骤S1包括以下步骤S11-S15：
S11、获取水量数据训练样本集合。
水量数据训练样本集合包含若干水量数据训练样本。每个水量数据训练样本包含若干目标预测因子。
进行天然来水量预测前需要先对众多水文、气象预测因子进行相关性分析，选取其中相关性程度较高的物理量，即目标预测因子，作为模型的输入特征变量。
可选地，步骤S11包括以下步骤S111-S114：
S111、获取第一初始水量数据样本。
第一初始水量数据样本为初始水量数据样本集合中的任一初始水量数据样本。初始水量数据样本包含多类初始预测因子。
初始预测因子指可能影响流域天然来水量变化的各类参数。
结合文献和历史数据，本实施例选定9个近地表气象变量作为潜在的天然来水量强相关性变量，即初始预测因子，分别是总柱水量、地上2米露点温度、地上2米大气温度、土层顶部20cm处土壤温度、土层顶部20cm处土壤湿度、辐射平衡时表面温度、总云量、海平面平均气压以及地表气压。使水蒸气达到饱和时的温度就叫作露点温度。
S112、采用最大信息系数法检测第一初始水量数据样本中每个初始预测因子与天然来水量的相关性。
本申请采用最大信息系数法(MIC)对初始预测因子进行筛选。MIC能够检测初始预测因子和天然来水量之间线性或非线性的函数关系，不会受到异常数据的影响，因此适合运用在数据量有限的小水电站天然来水量初始预测因子筛选中。
可选地，最大信息系数法的表达式为：
其中，是第一初始水量数据样本的第/>种初始预测因子时间序列向量；Y是第一初始水量数据样本的天然来水量时间序列向量；I为MIC系数，反映/>与Y的相关性强弱；为/>和Y的联合分布；/>为/>的边缘分布；/>为Y的边缘分布；a、b分别为数据散点图横轴和纵轴方向的网格个数；B为网格最大值。
上述实施例中，MIC以数据点落在不同网格的频率作为对数据分布的估计，因此可以解决传统方法中联合概率较难寻找的问题。
S113、筛选第一初始水量数据样本中相关性大于预设阈值的初始预测因子，得到若干目标预测因子。最终，得到每个初始水量数据样本中的目标预测因子。
平均各样本相同的初始预测因子的MIC系数，即得到初始预测因子相关性程度。MIC系数越大，说明该初始预测因子和天然来水量的相关性越强，适合作为预测自变量，即目标预测因子。将相关性程度分为三级：MIC系数0.7-1，对应高程度相关；MIC系数0.3-0.7，对应中程度相关；MIC系数0-0.3，对应弱程度相关。
一些实施方式中，MIC系数的阈值设置为0.7。如下表1，展示了各相关变量(预测因子)与天然来水量的相关性关系。其中，总柱水量的MIC系数为0.89，相关性最强。取0.7作为MIC阈值，本实施例筛选得到总柱水量、地上2米露点温度、地上2米温度以及总云量作为Informer模型的输入，即作为目标预测因子。
表1 天然来水量相关变量与天然来水量的MIC相关性系数
S114、根据目标预测因子，创建水量数据训练样本集合。
每个水量数据训练样本含有一个水电站在某一时间的各目标预测因子。收集不同区域水电站在不同时间下含各目标预测因子的历史数据，形成丰富的水量数据训练样本集，用于模型训练。
本实施例中，通过MIC算法筛选出样本中与天然来水量相关度高的目标预测因子，作为水量数据训练样本集合，避免异常数据的影响，提高模型精确度的同时，降低了模型的运算量。
S12、对每个水量数据训练样本添加附加因子，得到若干扩展水量数据训练样本。
附加因子包括时间信息、位置信息。
天然来水量预测作为时间序列预测问题除了需要输入目标预测因子和历史天然来水量数据外还需要添加位置信息和时间信息，位置信息能够数据的顺序结构不丢失；时间信息，如月份、年份可以充分捕获历史天然来水量的变化规律。其中，位置信息的表达式为：
其中，PE为位置编码信息；pos为目标预测因子的序列次序；n为时间序列的总长度；；d为水量数据训练样本扩张后的特征向量维度。
S13、利用Informer模型建立水量数据与天然来水量相映射的待训练天然来水量预测模型。
可选地，神经网络模型采用Informer模型。Informer模型是基于注意力机制的监督学习模型，主要由编码器(Encoder)和解码器(Decoder)两部分组成。将Informer模型应用于天然来水量预测，相比于传统的模型，大大提高了推理计算的预测速度，在预测准确率和计算速度上都具有更好的效果。
S14、标记每个扩展水量数据训练样本对应的历史天然来水量。
扩展水量数据训练样本是历史数据。每个扩展水量数据训练样本包含水电站所在区域过去在某一时间点T的总柱水量、地上2米露点温度、地上2米大气温度以及总云量，时间点Tim的这些变量与未来某个时间（Tim+t）的天然来水量有着高相关度。也就是说，时间点Tim的扩展水量数据训练样本对应未来某个时间（Tim+t）的历史天然来水量。
S15、分别将每个扩展水量数据训练样本输入至待训练天然来水量预测模型，并以对应的历史天然来水量作为输出参考，对待训练天然来水量预测模型进行训练，得到天然来水量预测模型。
一些实施方式中，步骤S15包括以下步骤S151-S154：
S151、将扩展水量数据训练样本输入至待训练天然来水量预测模型的编码器。
S152、利用编码器的自注意力模块中的查询矩阵、键矩阵和值矩阵分别对扩展水量数据训练样本进行稀疏性自注意力运算，得到初始特征数据。
自注意力模块通过Q矩阵()、K矩阵(/>)和V矩阵(/>)对扩展水量数据训练样本进行计算。其中，Q为查询矩阵，K为键矩阵，V为值矩阵；L/>、L/>、L/>分别代表3个矩阵各自的序列维度。
自注意力机制存在稀疏性，为提高运行效率需要对Q矩阵进行稀疏性评价，Q矩阵稀疏性评价表达式为：
其中，代表Q矩阵中第i行元素的稀疏性得分；/>为Q矩阵中第i行元素；/>为K矩阵中第j行元素经过转置后的矩阵。
可选地，稀疏性自注意力运算的表达式为：
其中，为激活函数，/>是大小与Q相同的稀疏矩阵，通过选取Q矩阵中注意力影响权重较大的部分元素得到。
S153、利用编码器的蒸馏模块对初始特征数据进行蒸馏运算，得到候选特征数据。
经过稀疏性自注意力运算后输出的初始特征数据在V值上存在冗余组合，因此，本申请通过蒸馏操作对具有主要特征的优势特征赋予更高的权重，并在下一层生成聚焦的自注意力特征图，加快训练速度。蒸馏模块通过一维卷积层和池化层实现对初始特征数据的长度减半，在保留输入数据有效信息的基础上提升计算效率。
可选地，蒸馏运算的表达式为：
=MP（ELU（Convld（[/>]）））
其中，为蒸馏模块第j层的输出，/>为蒸馏模块第j层的输入，MP为最大池化运算；ELU为激活函数；Convld为一维卷积运算；/>为上文提及的稀疏性自注意力运算。
S154、将候选特征数据输入至待训练天然来水量预测模型的解码器；利用解码器对候选特征数据进行基于掩码的稀疏性自注意力运算，得到天然来水量训练预测结果，并对天然来水量训练预测结果与历史天然来水量进行损失计算，直至损失收敛，得到天然来水量预测模型。
解码器输入由两部分构成，一部分为影响天然来水量的隐含中间特征数据，由编码器训练后输入，即候选特征数据；另一部分为实际预测的待输入数据，预测部分需要用0进行占位，并对多头概率稀疏自注意力添加掩盖机制，目的是避免模型预测时关注未来信息。解码器输出的结果经过全连接层映射后得到最终的天然来水量预报结果。
需要理解的是，编码器中的自注意力机制用于预测模型的迭代和优化，通过输入的历史数据训练得到最佳的模型参数；而解码器中的自注意力机制用于模型的实际预测，根据编码器训练得到并传递的参数以及预测所需的解码器输入可计算得到最终预测结果。因此，虽然二者均为自注意力机制，但用途存在差异。
一些实施方式中，Informer模型设置参数如下：编码器2层；解码器1层；自注意力多头个数8个；学习率0.0001；Dropout为0.05；最大迭代次数200次；训练数据长度70；预测序列长度28。
S2、特征获取：获取水电站的天然来水量特征数据。
天然来水量特征数据包含总柱水量、地上2米露点温度、地上2米大气温度以及总云量。通过对各项水文信息或气象信息实时监测得到。
S3、水量预测：将天然来水量特征数据输入至天然来水量预测模型，输出得到水电站的天然来水量预测结果。
表2是不同预测模型的指标对比。从表2中可以看出MIC-Informer模型相比MIC-LSTM模型的MAPE、RMSE、MAE指标结果分别降低了2.95%、10.09m3/s和10.77m3/s，说明全预测步长下Informer模型相比LSTM模型有着更为精确的天然来水量预报结果；Informer类模型避免了梯度爆炸等问题，因此随着预测步长的增加，MIC-Informer相比MIC-LSTM的预测优势更明显。MIC-Informer相比Informer模型的MAPE、RMSE、MAE指标结果分别降低了1.21%、1.91m3/s和3.11m3/s，说明将通过MIC筛选后得到的预报因子作为预测输入能够提高天然来水量预报的准确率。
表2不同预测模型的指标对比
| 模型 | MAPE(%) | RMSE(m3/s) | MAE(m3/s) |
| Informer | 2.52 | 10.35 | 8.97 |
| MIC-Informer | 1.31 | 8.44 | 5.86 |
| MIC-LSTM | 4.26 | 18.53 | 16.63 |
通过预测得到的天然来水量结果能够为水电站的来水量预期提供参考，提高水电站库容资源的使用效率。
S4、库容评估：根据天然来水量预测结果，得到水电站的库容能力评估结果。
一些实施方式中，步骤S4包括以下步骤S41-S42：
S41、通过天然来水量预测结果计算水电站的泄洪能力。
可选地，泄洪能力G表达式为：
G=[q/>-/> +|/>(a)|)]T+(1+b)V/>
其中，D为天然来水量预报的预测天数；为水电站i第n天的天然来水量预测结果；b为水位基准系数，能够体现水电站调度者对未来水位控制的保守程度；V/>为水电站i的保守汛限水位对应库容；a为置信水平；T为水电站调度周期；/>为概率分布函数；/>为概率分布函数/>的反函数；/>分别为水电站i的泄流量上限。
S42、根据水电站的泄洪能力，确定水电站的库容弹性上限，得到水电站的库容能力评估结果。
为提高汛期水电站库容弹性的利用率，本申请通过预泄能力约束法提高库容上限，其基本思想为：预见期内，水电站的泄洪能力G应不小于库容的弹性上限V/>，即V/> G/>。
通过对水电站的库容能力评估，可以对含高比例小水电资源电力系统汛期优化调度提供参考，含高比例小水电资源电力系统汛期优化调度应为在满足水电站防洪安全的基础上最小化运行成本，即其目标函数为：
其中，为火电机组运行成本；/>、/>和/>分别为弃水、弃风和弃光惩罚成本；T为调度周期；/>为调度时间间隔；/>、/>和/>分别为火电机组i的运行成本系数；/>和/>分别为火电机组、库容水电站个数；/>为火电机组i在t时的发电功率；/>、/>和/>分别为弃水、弃风和弃光惩罚系数；/>为水电站i在t时的弃水功率；/>、/>分别为系统在t时的弃风功率和弃光功率。
通过对水电站的库容能力评估，为水电站的来水量预期提供参考，提高水电站库容资源的使用效率，从而降低弃水成本，进而降低含高比例小水电资源电力系统在汛期的运行成本。
上述实施例中，通过气象数据和水文数据等信息构建天然来水量预测模型，为水电站的来水量预期提供参考，在保证防洪安全的前提下，提高水电站库容资源的使用效率，从而提升汛期电力系统的运行经济效益。
基于相同的技术构思，本申请还提供了一种基于天然来水量预测的水电站库容能力评估系统，其可用于水电站库容能力评估。本申请实施例中的系统能够实现对应于上述图1所对应的实施例中所执行的基于天然来水量预测的水电站库容能力评估的方法的步骤。该系统实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。如图2所示，该系统包括：
模型训练模块1，用于利用预选的目标预测因子训练神经网络模型，得到天然来水量预测模型。
特征获取模块2，用于获取水电站的天然来水量特征数据；天然来水量特征数据包含总柱水量、地上露点温度、地上大气温度以及总云量。
水量预测模块3，用于将天然来水量特征数据输入至天然来水量预测模型，输出得到水电站的天然来水量预测结果。
库容评估模块4，用于根据天然来水量预测结果，得到水电站的库容能力评估结果。
上述实施例中，通过气象数据和水文数据等信息构建天然来水量预测模型，为水电站的来水量预期提供参考，在保证防洪安全的前提下，提高水电站库容资源的使用效率，从而提升汛期电力系统的运行经济效益。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施方式中的所述的基于天然来水量预测的水电站库容能力评估方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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（如ROM/RAM）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器或者网络设备等）执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。
Claims (10)
1.一种基于天然来水量预测的水电站库容能力评估方法，其特征在于，包括以下步骤S1-S4：
S1、利用预选的目标预测因子训练神经网络模型，得到天然来水量预测模型；
S2、获取水电站的天然来水量特征数据；天然来水量特征数据包含总柱水量、地上露点温度、地上大气温度以及总云量；
S3、将天然来水量特征数据输入至天然来水量预测模型，输出得到水电站的天然来水量预测结果；
S4、根据天然来水量预测结果，得到水电站的库容能力评估结果。
2.根据权利要求1所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
步骤S1包括以下步骤S11-S15：
S11、获取水量数据训练样本集合；水量数据训练样本集合包含若干水量数据训练样本；每个水量数据训练样本包含若干目标预测因子；
S12、对每个水量数据训练样本添加附加因子，得到若干扩展水量数据训练样本；附加因子包括时间信息、位置信息；
S13、利用Informer模型建立水量数据与天然来水量相映射的待训练天然来水量预测模型；
S14、标记每个扩展水量数据训练样本对应的历史天然来水量；
S15、分别将每个扩展水量数据训练样本输入至待训练天然来水量预测模型，并以对应的历史天然来水量作为输出参考，对待训练天然来水量预测模型进行训练，得到天然来水量预测模型。
3.根据权利要求2所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
步骤S11包括以下步骤S111-S114：
S111、获取第一初始水量数据样本；第一初始水量数据样本为初始水量数据样本集合中的任一初始水量数据样本；初始水量数据样本包含多类初始预测因子；
S112、采用最大信息系数法检测第一初始水量数据样本中每个初始预测因子与天然来水量的相关性；
S113、筛选第一初始水量数据样本中相关性大于预设阈值的初始预测因子，得到若干目标预测因子；最终，得到每个初始水量数据样本中的目标预测因子；
S114、根据目标预测因子，创建水量数据训练样本集合。
4.根据权利要求3所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
最大信息系数法的表达式为：
其中，是第一初始水量数据样本的第/>种初始预测因子时间序列向量；Y是第一初始水量数据样本的天然来水量时间序列向量；I为MIC系数，反映/>与Y的相关性强弱；/>为/>和Y的联合分布；/>为/>的边缘分布；/>为Y的边缘分布；a、b分别为数据散点图横轴和纵轴方向的网格个数；B为网格最大值。
5.根据权利要求2所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
步骤S15包括以下步骤S151-S154：
S151、将扩展水量数据训练样本输入至待训练天然来水量预测模型的编码器；
S152、利用编码器的自注意力模块中的查询矩阵、键矩阵和值矩阵分别对扩展水量数据训练样本进行稀疏性自注意力运算，得到初始特征数据；
S153、利用编码器的蒸馏模块对初始特征数据进行蒸馏运算，得到候选特征数据；
S154、将候选特征数据输入至待训练天然来水量预测模型的解码器；利用解码器对候选特征数据进行基于掩码的稀疏性自注意力运算，得到天然来水量训练预测结果，并对天然来水量训练预测结果与历史天然来水量进行损失计算，直至损失收敛，得到天然来水量预测模型。
6.根据权利要求5所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
查询矩阵的稀疏性评价表达式为：
其中，代表查询矩阵中第i行元素的稀疏性得分；/>为查询矩阵中第i行元素；为键矩阵中第j行元素经过转置后的矩阵。
7.根据权利要求5所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
蒸馏运算的表达式为：
=MP（ELU（Convld（[/>]）））
其中，为蒸馏模块第j层的输出，/>为蒸馏模块第j层的输入，MP为最大池化运算；ELU为激活函数；Convld为一维卷积运算；[]为稀疏性自注意力运算。
8.根据权利要求1所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
步骤S4包括以下步骤S41-S42：
S41、通过天然来水量预测结果计算水电站的泄洪能力；
S42、根据水电站的泄洪能力，确定水电站的库容弹性上限，得到水电站的库容能力评估结果。
9.根据权利要求8所述的基于天然来水量预测的水电站库容能力评估方法，其特征在于，
泄洪能力表达式为：
G=[q/>-/> +|/>(a)|)]T+(1+b)V/>
其中，D为天然来水量预报的预测天数；为水电站i第n天的天然来水量预测结果；b为水位基准系数；V/>为水电站i的保守汛限水位对应库容；a为置信水平；T为水电站调度周期；/>为概率分布函数；/>为概率分布函数/>的反函数；/>分别为水电站i的泄流量上限。
10.一种基于天然来水量预测的水电站库容能力评估系统，其特征在于，包括：
模型训练模块，用于利用预选的目标预测因子训练神经网络模型，得到天然来水量预测模型；
特征获取模块，用于获取水电站的天然来水量特征数据；天然来水量特征数据包含总柱水量、地上露点温度、地上大气温度以及总云量；
水量预测模块，用于将天然来水量特征数据输入至天然来水量预测模型，输出得到水电站的天然来水量预测结果；
库容评估模块，用于根据天然来水量预测结果，得到水电站的库容能力评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355782.6A CN117093873B (zh) | 2023-10-19 | 2023-10-19 | 基于天然来水量预测的水电站库容能力评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355782.6A CN117093873B (zh) | 2023-10-19 | 2023-10-19 | 基于天然来水量预测的水电站库容能力评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093873A true CN117093873A (zh) | 2023-11-21 |
| CN117093873B CN117093873B (zh) | 2024-01-30 |
Family
ID=88775482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311355782.6A Active CN117093873B (zh) | 2023-10-19 | 2023-10-19 | 基于天然来水量预测的水电站库容能力评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093873B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050051487A (ko) * | 2003-11-27 | 2005-06-01 | 엘에스산전 주식회사 | 용수 처리 시스템의 수요예측 장치 및 방법 |
| CN103793795A (zh) * | 2014-02-28 | 2014-05-14 | 福建四创软件有限公司 | 基于gis技术的水电站水电调度计划生成及仿真方法 |
| 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 |
| CN112686426A (zh) * | 2020-12-09 | 2021-04-20 | 贵州黔源电力股份有限公司 | 一种基于水电站流域关键点的来水量预警方法及系统 |
| CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
| CN113506010A (zh) * | 2021-07-21 | 2021-10-15 | 华电云南发电有限公司 | 一种大型流域水电站泄洪闸门数字化集中调控方法 |
| CN115495991A (zh) * | 2022-09-29 | 2022-12-20 | 河海大学 | 一种基于时间卷积网络的降水区间预测方法 |
| CN115660206A (zh) * | 2022-11-09 | 2023-01-31 | 中国华能集团清洁能源技术研究院有限公司 | 风电场功率预测informer模型的训练方法及装置 |
| CN116205327A (zh) * | 2022-12-07 | 2023-06-02 | 沈阳嘉越电力科技有限公司 | 一种基于稀疏自注意力的生成推理发电功率预测方法 |
| US20230196076A1 (en) * | 2021-03-15 | 2023-06-22 | Hohai University | Method for optimally selecting flood-control operation scheme based on temporal convolutional network |
-
2023
- 2023-10-19 CN CN202311355782.6A patent/CN117093873B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050051487A (ko) * | 2003-11-27 | 2005-06-01 | 엘에스산전 주식회사 | 용수 처리 시스템의 수요예측 장치 및 방법 |
| CN103793795A (zh) * | 2014-02-28 | 2014-05-14 | 福建四创软件有限公司 | 基于gis技术的水电站水电调度计划生成及仿真方法 |
| 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 |
| CN112686426A (zh) * | 2020-12-09 | 2021-04-20 | 贵州黔源电力股份有限公司 | 一种基于水电站流域关键点的来水量预警方法及系统 |
| US20230196076A1 (en) * | 2021-03-15 | 2023-06-22 | Hohai University | Method for optimally selecting flood-control operation scheme based on temporal convolutional network |
| CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
| CN113506010A (zh) * | 2021-07-21 | 2021-10-15 | 华电云南发电有限公司 | 一种大型流域水电站泄洪闸门数字化集中调控方法 |
| CN115495991A (zh) * | 2022-09-29 | 2022-12-20 | 河海大学 | 一种基于时间卷积网络的降水区间预测方法 |
| CN115660206A (zh) * | 2022-11-09 | 2023-01-31 | 中国华能集团清洁能源技术研究院有限公司 | 风电场功率预测informer模型的训练方法及装置 |
| CN116205327A (zh) * | 2022-12-07 | 2023-06-02 | 沈阳嘉越电力科技有限公司 | 一种基于稀疏自注意力的生成推理发电功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| S TANGWE; N MZOLO; M SIMON; E. MEYER: "Modeling the demand of a Calorifier to establish the baseline before retrofitting it with a commercial air source heat pump", IEEE * |
| 刘晓丽;曹志国;陈苏社;高岩堂;: "煤矿分布式地下水库渗流场分析及优化调度", 煤炭学报, no. 12 * |
| 杨文丽;张惠;: "基于自适应神经模糊系统的水库来水量评价", 科技创新导报, no. 21 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093873B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
| CN114356880B (zh) | 基于数据驱动的小尺度区域大气污染物快速溯源方法 | |
| Wu et al. | Runoff forecasting using convolutional neural networks and optimized bi-directional long short-term memory | |
| CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
| Izadyar et al. | Appraisal of the support vector machine to forecast residential heating demand for the District Heating System based on the monthly overall natural gas consumption | |
| CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
| CN113379109A (zh) | 一种基于预测模型自适应的径流预报方法 | |
| CN101793907A (zh) | 一种风电场短期风速预测方法 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| CN113515841B (zh) | 一种基于改进Budyko公式的径流变化定量分解方法 | |
| Ma et al. | Meta learning-based hybrid ensemble approach for short-term wind speed forecasting | |
| CN116151459A (zh) | 基于改进Transformer的电网防汛风险概率预测方法和系统 | |
| Kosana et al. | A novel hybrid framework for wind speed forecasting using autoencoder‐based convolutional long short‐term memory network | |
| Farahbod et al. | Probabilistic and deterministic wind speed prediction: ensemble statistical deep regression network | |
| CN116861248B (zh) | 一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统 | |
| CN117093873B (zh) | 基于天然来水量预测的水电站库容能力评估方法和系统 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN116128168A (zh) | 基于因果扩充卷积和Autoformer的气象预测法 | |
| CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
| CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
| CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
| CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
| CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
| Liu et al. | Monthly wind distribution prediction based on nonparametric estimation and modified differential evolution optimization algorithm | |
| Ceylan et al. | Harmony search algorithm for transport energy demand modeling |
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 |