JP7382522B1 - 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 - Google Patents

Abstract

【課題】動的貯水容量の影響を考慮し、貯水池の高速かつ高精度な超短期水位予測を実現し、水力発電所の発電計画の策定と貯水池の安全な運用に、より良いサポートを提供するための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、システム及び記憶媒体を提供する。【解決手段】方法は、動的貯水容量の流入量、貯水域の水面線が上流水位に与える影響のヒステリシスを解析し、対応する時間スケールの貯水池運用データを収集し、設定されたパラメータおよび収集された貯水池運用データに従って、データセットを構築するステップＳ１と、構築されたデータセットに基づいて、前期水位、前期の貯水域の水面線特徴、予報流量、出力計画、放流計画などの変数を入力とする上流水位深層学習予報モデルを構築するステップＳ２と、構築された深層学習予報モデルに基づいて、さまざまな適用条件下での水位予測結果を生成するステップＳ３と、を含む。【選択図】図１

Description

本発明は、貯水池ディスパッチングの技術分野に属し、特に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に関する。

貯水池の実際の運用中に、貯水池の流入情報と発電計画を考慮した貯水池の超短期水位予測は、水力発電所の発電計画の策定、貯水池の安全な運用に重要な意味を持ち、水位予測結果に基づき、ディスパッチング規制の枠組みの中で貯水池の出力計画を適切に修正し、ディスパッチング要件を満たし、発電効果を最大化する出力計画を策定することができる。

一般的な貯水池の場合、静的貯水容量の原理に基づく水収支法により貯水池の水位を予測することが多く、実際の使用中に良好な水位予測結果が得られる。該方法において、「流入量－流出量＝貯水量の変化」の水収支関係に基づいて、貯水池の貯水量の変化を算出し、それにより、上流水位変化を算出し、流入量は、静的貯水容量の流入量を採用し、計算では貯水池の静的貯水容量の変化のみが考慮され、貯水池の水面が水平面であり、その水面の昇降が水平方向の動きであると仮定される。ただし、河川型貯水池の場合、貯水池の動的貯水容量（最も遠い背水区間からダム前までの総貯水量）の存在により、貯水池の水位予測は、２つの問題に直面する。
（１）河川型貯水池の水面には、一定の鉛直勾配があり、貯水池の実際の水面と上流水位の水平線との間にくさび状の貯水部が形成され、貯水池の貯水量の変化は、上流水位の変化に反映されるだけでなく、貯水域の水面線にも影響を及ぼし、貯水域の水面線の変化による流体力学的特徴が複雑であるため、貯水池の貯水量の変化に従って、上流水位の変化を直接計算することは困難である。
（２）貯水池の動的貯水容量の流入量は、貯水池の背水区間の水量のみを反映でき、これは、貯水域の水面線の変化を通じて上流水位の変化に反映する必要があり、したがって、動的貯水容量の流入量は、上流水位に与える影響が一定のヒステリシスがある。

公開番号がＣＮ１１３２５６００５Ａである中国特許の出願は、ニューラルネットワークモデルに基づく発電所の水位過程予測方法および装置を開示し、上流の発電所の流出量から下流の発電所の流入量までの流出進化時間を下流の発電所の流入量の予測期間とし、前の予測期間における発電所運用データを一連の入力変数シーケンスとしてＢＰニューラルネットワークモデルに入力し、ＢＰニューラルネットワークモデルによって、次の予測期間における下流の発電所のダム前の予測水位を出力し、ＢＰニューラルネットワークネットワークモデルをトレーニングし、発電所の現在の運用データをトレーニングされたＢＰニューラルネットワークモデルに入力し、ＢＰニューラルネットワークモデルを使用して、発電所の水位過程の予測結果を出力する。しかし、この方法は、モデルの学習データとして流入量と流出量を考慮しているだけであり、河川型貯水池の動的貯水容量の影響を具体的に考慮していないため、河川型貯水池の水位予測にうまく適応することはできない。

公開番号がＣＮ１１４６１１７７８Ｂである中国特許は、流入量に基づく貯水池水位早期警告方法およびシステムを開示し、このシステムは、データ取得モジュール、データ伝送モジュール、貯水容量計算モジュール、貯水池水位予測モジュール、および早期警告モジュールを含み、手順は次のとおりであり、Ｓ１、貯水池の過去およびリアルタイムの貯水容量と水位データを収集し、Ｓ２、将来の貯水容量の値を計算し、Ｓ３、多層パーセプトロンモデルを介して貯水池水位予測モデルをトレーニングして構築し、Ｓ４、次の数日間の貯水池の水位値を予測し、Ｓ５、予測した貯水池の水位値を水位警報値と比較して早期警告を行う。しかし、この方法も、その後の水位予測のデータとして、流入量の静的な貯水容量を考慮しているだけであり、河川型貯水池の動的貯水容量の影響を具体的に考慮していないため、河川型貯水池の水位予測にうまく適応することはできない。

一般的に言えば、河川型貯水池の動的貯水容量の存在は、貯水池の貯水量の変化を正確に計算することを困難にし、貯水池の上流水位に対する動的貯水容量の影響のヒステリシスもまた、水位の予測を困難にする。

従来技術に存在する欠点を解決するために、本発明は、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を提供し、この方法は、貯水池の超短期水位の予測計算において、動的貯水容量の影響を考慮し、貯水池の高速かつ高精度な超短期水位予測を実現し、それによって、水力発電所の発電計画の策定と貯水池の安全な運用に、より良いサポートを提供することができる。

上述の技術的特徴を実現するために、本発明の目的は、次のように達成される。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であって、
対応する時間スケールの貯水池運用データを収集し、設定されたパラメータと収集された貯水池運用データに従って、データセット（Ｘ_１、Ｘ_２、Ｙ）を構築し、ここでは、Ｘ_１は、前期の水位特徴および貯水域の水面線による水位特徴を含み、Ｘ_２は、将来の流出量情報とヒステリシスの影響を考慮した流入量情報を含み、Ｙは、出力情報である、データ分析処理ステップＳ１と、
ステップＳ１で構築されたデータセット（Ｘ_１、Ｘ_２、Ｙ）に基づいて、出力Ｙと入力Ｘ＝（Ｘ_１、Ｘ_２）との間の関係を反映する予報モデルを確立する予報モデル確立ステップＳ２と、
ステップＳ２で確立された予報モデルに基づいて、水位予測結果を生成する水位予測結果生成ステップＳ３とを含む。

前記ステップＳ１は、具体的には、
実際のビジネスニーズに応じて、時間ステップｓｔｅｐと予報期間ｆｌｔを設定するステップＳ１０１と、
貯水域の水面線の水位が上流水位に与える影響の最大遅れ期間ｌａｇｓと、流入量が上流水位に与える影響の遅れ時間ＱＬａｇｓを求めるステップＳ１０２と、
設定された時間ステップｓｔｅｐに従って、対応する時間スケールの貯水池運用データを収集し、
前記貯水池運用データは、発電所出力データＮ、貯水域の水面線の水位データＷＬ、上流水位データＷＬＵｐ、下流水位データＷＬＤｏｗｎ、動的貯水容量の流入量データＱ、および放流量データＱＯｕｔを含み、同じ期間のデータを傍受し、傍受後のデータ長をｎｕｍ_０と記す、ステップＳ１０３と、
設定されたパラメータおよび収集されたデータに従って、データセットを構築するステップにおいて、データセットには、ｎｕｍ＝ｎｕｍ_０－ｌａｇｓ－ｆｌｔ＋１のサンプルデータが含まれるステップＳ１０４とを含み、ここでは、各サンプルポイントデータの構築方法として、特定の時点ｔでのサンプルデータの出力は、次のとおりであり、
Ｙ_ｔは、ｆｌｔ×１のベクトルであり、将来のｆｌｔの時間ステップで予測すべき上流水位値を含み、サンプルデータの入力は、Ｘ_ｔであり、予測時点ｔの前期の水位特徴データ、および将来の出力、放流量、およびヒステリシスを考慮した動的貯水容量の流入量データを含み、それぞれＸ_ｔ１およびＸ_ｔ２と記し、ここでは、
Ｘ_ｔ１は、ｌａｇｓ×ｍの行列であり、ｍは、貯水域の水面線の水位データ、上流水位データ、下流水位データの変数の総数であって、前期の水位状況および貯水域の水面線の特徴を反映し、
Ｘ_ｔ２は、ｆｌｔ×３の行列であり、将来の出力と流量状況を反映し、すべてのサンプルを組み合わせて形成されるデータセットには、出力Ｙと入力Ｘ＝（Ｘ_１、Ｘ_２）、即ち、データセット（Ｘ_１、Ｘ_２、Ｙ）が含まれ、Ｙは、ｎｕｍ×ｆｌｔ×１の行列であり、Ｘ_１は、ｎｕｍ×ｌａｇｓ×ｍの行列であり、Ｘ_２は、ｎｕｍ×ｆｌｔ×３の行列である。

前記ステップＳ２は、具体的には、
正規化または標準化方法を使用して、構築されたデータセット（Ｘ_１、Ｘ_２、Ｙ）を、標準データセット（ＳＸ_１、ＳＸ_２、ＳＹ）に処理するデータ前処理ステップＳ２０１と、
標準データセットを一定の比率に従って、ランダムにトレーニングセット（ＴｒａｉｎＳＸ_１、ＴｒａｉｎＳＸ_２、ＴｒａｉｎＳＹ）および検証セット（ＴｅｓｔＳＸ_１、ＴｅｓｔＳＸ_２、ＴｅｓｔＳＹ）に分割するデータ分割ステップＳ２０２と、
構築したデータセットの特徴に応じて、深層学習における長短期記憶層、畳み込み層、全結合層を用いて、貯水域の水面線の水位データ、流量データ、出力データ変化特徴を抽出できるモデル構造を設計し、モデルの最適化目標を設定し、初期のモデルハイパーパラメータセットを設定するモデル構造およびパラメータ設計ステップＳ２０３と、
与えられたモデル構造とハイパーパラメータセットの条件下で、トレーニングセット（ＴｒａｉｎＳＸ_１、ＴｒａｉｎＳＸ_２、ＴｒａｉｎＳＹ）に基づいて、モデルパラメータを最適化し、最適化目標を満たすモデルを取得するモデルトレーニングステップＳ２０４と、
トレーニング済みのモデルと最適化目標に基づいて、検証セット（ＴｅｓｔＳＸ_１、ＴｅｓｔＳＸ_２、ＴｅｓｔＳＹ）でのモデル効果を評価するモデル評価ステップＳ２０５と、
モデル評価結果が予測精度要件を満たすか否かを判断し、満たさない場合、モデル構造、最適化目標、およびハイパーパラメータを調整し、予測精度要件を満たす予報モデルが得られるまで、ステップＳ２０４およびＳ２０５を繰り返して実行する予報モデル決定ステップＳ２０６とを含む。

前記ステップＳ３は、具体的には、
予報時間Ｔで、ステップＳ１０３およびＳ１０４に従って対応するデータを収集し、該時間Ｔに対応するサンプルポイントの入力Ｘ_Ｔ＝（Ｘ_Ｔ１、Ｘ_Ｔ２）を構築するステップＳ３０１と、
ステップＳ２０１でのデータ前処理方法を用いて、入力Ｘ_ＴをＳＸ_Ｔに処理するステップＳ３０２と、
ステップＳ２０６で決定された予報モデルを使用して予測し、予測結果ＳＹＨａｔ_Ｔを取得するステップＳ３０３と、
ステップＳ２０１で使用されたデータ前処理方法に従って、予測結果ＳＹＨａｔ_Ｔを、該予報時間に対応する実際の水位である実際の水位予測結果ＹＨａｔ_Ｔに逆処理するステップＳ３０４とを含む。

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システムであって、メモリ、プロセッサ、およびメモリに記憶され、プロセッサで実行可能なコンピュータプログラムを含み、プロセッサによってコンピュータプログラムを実行すると、前記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を実現する。

コンピュータプログラムが記憶された非一時的なコンピュータ読み取り可能な記憶媒体であって、該コンピュータプログラムがプロセッサによって実行されると、前記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を実現する。

一般的に言えば、本発明によって考案された上記の技術的解決手段を、従来技術と比較して、本発明によって提供される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は、主に以下の有益な効果を有する。
１．河川型貯水池の動的貯水容量の影響下での水位予測問題に鑑みて、本発明は、予報の入力に動的貯水容量の流入量、上流水位に対する貯水域の水面線の影響のヒステリシス、および前期の貯水域の水面線の水位特徴によって反映される貯水量を十分に考慮し、このようにして、上流水位変化の影響要因をより適切に反映することができ、予測の精度と信頼性を向上させることができる。
２．貯水域の水面線の変化により、貯水域の貯水量を求めることが困難であるという問題に鑑みて、本発明は、深層学習モジュールを構築して、過去の運用中のさまざまな条件下での貯水域の水面線の変化特徴を抽出することにより、複雑な流体力学的条件下での上流水位の予測と計算を実現する。

本発明は、添付の図面および実施例と併せて、以下でさらに説明される。

本発明によって提供される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の概略フローチャートである。 実施例における最適化されたモデル構造図である。 実施例におけるある予報の予報水位と実測水位との比較図である。 実施例における年間予報の全体誤差の予報期間による変化を示す図である。 実施例における年間予報の全体誤差分布図である。

本発明の実施形態は、添付の図面と併せて以下でさらに説明される。

実施例１：
一方、図１に示すように、本発明は、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を提供し、貯水域の水面線の時空間情報を抽出することにより、貯水池の動的貯水容量の影響を反映し、貯水池への流入を遅らせることにより、上流水位の変化に対する動的貯水容量の流入の影響のヒステリシスを反映する。所述方法は、以下のステップを含む。

ステップＳ１：対応する時間スケールの貯水池運用データを収集し、設定されたパラメータと収集された貯水池運用データに従って、データセット（Ｘ_１、Ｘ_２、Ｙ）を構築するデータ分析処理ステップにおいて、Ｘ_１は、前期の水位特徴および貯水域の水面線による水位特徴を含み、Ｘ_２は、将来の流出量情報と影響のヒステリシスを考慮した流入量情報を含み、Ｙは、出力情報である。具体的には、以下のステップを含む。

ステップＳ１０１において、実際のビジネスニーズに応じて、時間ステップｓｔｅｐと予報期間ｆｌｔ（後続のｆｌｔステップを予測することを指す）を設定する。

本実施例において、時間ステップは、１時間に設定され、予報期間は、４８時間に設定され、即ち、ｓｔｅｐ＝１、ｆｌｔ＝４８である。

ステップＳ１０２において、メカニズム解析またはデータ相関解析により、貯水域の水面線の水位が上流水位に与える影響の最大遅れ期間ｌａｇｓと、流入量が上流水位に与える影響の遅れ時間ＱＬａｇｓを求める。

本実施例において、動的貯水容量の流体力学的特徴によれば、貯水域の水面線の水位がダムの前の水位に与える影響の最大遅れ期間ｌａｇｓは、２４時間であり、流入量が上流水位に与える影響の遅れ時間ＱＬａｇｓは、８時間で、即ち、ｌａｇｓ＝２４、ＱＬａｇｓ＝８である。

ステップＳ１０３において、設定された時間ステップｓｔｅｐに従って、対応する時間スケールの貯水池運用データを収集するステップにおいて、
前記貯水池運用データは、発電所出力データＮ、貯水域の水面線の水位データＷＬ、上流水位データＷＬＵｐ、下流水位データＷＬＤｏｗｎ、動的貯水容量の流入量データＱ、および放流量データＱＯｕｔを含み、同じ期間のデータを傍受し、傍受後のデータ長をｎｕｍ_０と記す。

本実施例において、ある水力発電所（Ａ発電所とする）の２０１５年～２０１９年の運用期間中の発電所出力データＮ、貯水域の水面線の９つの点の水位データＷＬ、上流水位データＷＬＵｐ、下流水位データＷＬＤｏｗｎ、動的貯水容量の流入量（予報流入量を使用可）データＱ、放流量データＱＯｕｔを収集し、データによって時間精度が異なるため、データ補間またはダウンスケーリング方法によって、１時間スケールのデータに処理され、処理されたデータ長がｎｕｍ_０＝４３８２５行である。

ステップＳ１０４において、設定されたパラメータおよび収集されたデータに従って、データセットを構築する。データセットには、ｎｕｍ＝ｎｕｍ_０－ｌａｇｓ－ｆｌｔ＋１のサンプルデータが含まれ、ここでは、各サンプルポイントデータの構築方法として、特定の時点ｔでのサンプルデータの出力は、次のとおりであり、
Ｙ_ｔは、ｆｌｔ×１のベクトルであり、将来のｆｌｔの時間ステップ内で予測すべき上流水位値を含み、サンプルデータの入力は、Ｘ_ｔであり、予測時点ｔの前期の水位特徴データ、および将来の出力、放流量、およびヒステリシスを考慮した動的貯水容量の流入量データを含み、それぞれＸ_ｔ１およびＸ_ｔ２と記し、ここでは、
Ｘ_ｔ１は、ｌａｇｓ×ｍの行列であり、ｍは、貯水域の水面線の水位データ、上流水位データ、下流水位データの変数の総数であって、前期の水位状況および貯水域の水面線の特徴を反映し、
Ｘ_ｔ２は、ｆｌｔ×３の行列であり、将来の出力と流量状況を反映し、すべてのサンプルを組み合わせて形成されるデータセットには、出力Ｙと入力Ｘ＝（Ｘ_１、Ｘ_２）、即ち、データセット（Ｘ_１、Ｘ_２、Ｙ）が含まれ、Ｙは、ｎｕｍ×ｆｌｔ×１の行列であり、Ｘ_１は、ｎｕｍ×ｌａｇｓ×ｍの行列であり、Ｘ_２は、ｎｕｍ×ｆｌｔ×３の行列である。

本実施例において、２０１５～２０１９年の間の時点を選択し、例として２０１９年３月１５日の０時を取り上げ、予報すべきデータは、２０１９年３月１５日１時から２０１９年３月１７日０時までの上流水位データ（４８×１行列）であり、その入力は、前期の水位データと同時期の出力および流量データを含み、前期の水位データは、２０１９年３月１４日１時から２０１９年３月１５日０時までの水面線の９つの点の水位、上流水位、下流水位であって、２４×１１の行列であり、同時期の出力および流量データは、２０１９年３月１５日１時から２０１９年３月１７日０時までの出力データと放流量データ、および２０１９年３月１４日１７時から２０１９年３月１６日１６時までの流入量データであって、４８×３の行列である。この構成方法によって形成されるデータセットには、合計４３８２５－２４－４８＋１＝４３７５４のサンプルポイントが含まれ、すべてのサンプルを組み合わせて形成されるデータセットには、出力Ｙと入力Ｘ＝（Ｘ１、Ｘ２）が含まれ、ここでは、Ｙは、４３７５４×４８×１の行列であり、Ｘ_１は、４３７５４×２４×１１の行列であり、Ｘ_２は、４３７５４×４８×３の行列である。

ステップＳ２において、構築されたデータセット（Ｘ_１、Ｘ_２、Ｙ）に基づいて、出力Ｙと入力Ｘ＝（Ｘ_１、Ｘ_２）との間の関係を反映する予報モデルを確立する。具体的なステップは、以下のとおりである。

ステップＳ２０１において、データ前処理を行う。本実施例において、過度のデータ差によるモデルトレーニングの問題を回避するために、正規化方法を使用して、データを０と１の間に処理し、処理方法は、次のとおりである。
式中、ｖは、１４個の変数（１１個の点の水位および出力、流入量、放流量）のいずれか１つであり、ｖ_ｉは、該変数のある時点での元のデータであり、ｖ_ｍｉｎとｖ_ｍａｘは、それぞれ該データの最小値、最大値であり、ｚ_ｉは、変換された値である。

正規化された後、データセット（Ｘ_１、Ｘ_２、Ｙ）は、データがいずれも０と１の間の正規化されたデータ（ＳＸ_１、ＳＸ_２、ＳＹ）に変換される。

データ分割ステップＳ２０２において、データを一定の比率に従って、ランダムにトレーニングセット（ＴｒａｉｎＳＸ_１、ＴｒａｉｎＳＸ_２、ＴｒａｉｎＳＹ）および検証セット（ＴｅｓｔＳＸ_１、ＴｅｓｔＳＸ_２、ＴｅｓｔＳＹ）に分割する。本実施例において、データをシャッフルした後、３：１の比率で分割する。

ステップＳ２０３において、モデル構造およびパラメータ設計を行う。本実施例において、初期モデル構造は、最も単純なＬＳＴＭモデル構造を採用し、まず、入力データの構造が一致していることを確保するために、ＳＸ_２の各サンプルデータを２４×６の行列に変換し、それをＳＸ_１のデータと２４×１７の行列につなぎ合わせて、ＬＳＴＭの入力として使用し、最後に全結合層を追加して４８個の出力を形成する。モデルのハイパーパラメータには、ＬＳＴＭブロックの数、毎回のトレーニングのデータ数、最大トレーニング回数などが含まれ、本実施例において、それぞれ５０、７２、および１００に設定される。モデルの最適化目標は、二乗平均平方根誤差を最小化することであり、平均二乗誤差の計算方法は、以下の通りである。
式中、ｎは、データ数であり、Ｙ_ｉと
はそれぞれ、実測値と予測値である。

モデルトレーニングステップＳ２０４において、与えられたモデル構造とハイパーパラメータセットの条件下で、モデル設定トレーニングセット（ＴｒａｉｎＳＸ_１、ＴｒａｉｎＳＸ_２、ＴｒａｉｎＳＹ）に基づいて、モデルパラメータを最適化し、最適化目標を満たすモデルを取得する。本実施例において、モデルのトレーニング目的は、平均二乗誤差を最小化することであり、トレーニングされた後のトレーニングセットの平均二乗誤差は、２．９４×１０^－５（正規化処理後の誤差）である。

ステップＳ２０５において、モデル評価を行う。トレーニング済みのモデルと最適化目標に基づいて、検証セット（ＴｅｓｔＳＸ_１、ＴｅｓｔＳＸ_２、ＴｅｓｔＳＹ）でのモデルの効果を評価する。本実施例において、検証セットのモデルの予測誤差は、３．０９×１０^－５（正規化処理後の誤差）である。

ステップＳ２０６において、モデル評価結果が予測精度要件を満たすか否かを判断し、満たさない場合、モデル構造、最適化目標、およびハイパーパラメータを調整し、予測精度要件を満たす予報モデルが得られるまで、ステップＳ２０４およびＳ２０５を繰り返して実行する。本実施例において、実際の効果に応じて、図２に示すように、継続的な最適化の後にモデル構造が決定される。ここでは、Ｉｎｐｕｔ１がステップＳ２０３の入力と一致し、Ｉｎｐｕｔ２は、将来の出力と流量データ（４８×３行列）であり、Ｏｕｔｐｔ１の構造は、４８×１のベクトルであって、後続の入力としてＩｎｐｕｔ２の入力と４８×４の行列につなぎ合わせて、最後に、ＴｉｍｅＤｉｓｔｒｉｂｕｔｅｄレイヤーを介して出力が形成される。最適化して調整された後、トレーニングセットと検証セットの平均二乗誤差は、それぞれ１．５４×１０^－５、１．６８×１０^－５である。

ステップＳ３において、ステップＳ２で確立された予報モデルに基づいて、水位予測結果を生成する。具体的には、以下のステップを含む。

ステップＳ３０１において、予報の時間Ｔで、ステップＳ１０３およびＳ１０４に記載の方法に従って対応するデータを収集し、該時間Ｔに対応するサンプルポイントの入力Ｘ_Ｔ＝（Ｘ_Ｔ１、Ｘ_Ｔ２）を構築する。本実施例において、２０２２年５月１日０時を例にとると、予報すべきデータは、２０２２年５月１日１時から２０２２年５月３日０時までの上流水位データ（４８×１行列）であり、その入力には、前期の水位データと同時期の出力および流量データが含まれ、前期の水位データは、２０２２年４月３０日１時から２０２２年５月１日０時までの水面線の９つの点の水位および上流水位、下流水位であって、２４×１１の行列であり、同時期の出力、流量データは、２０２２年５月１日１時から２０２２年５月３日０時までの出力データ、放流量データおよび２０２２年４月３０日１７時から２０２２年５月２日１６時までの流入量データであって、４８×３の行列である。

ステップＳ３０２において、ステップＳ２０１でのデータ前処理方法を用いて、入力Ｘ_ＴをＳＸ_Ｔに処理する。本実施例において、ステップＳ２０１に記載の正規化方法を使用して、データに対して正規化処理を実行する。最大値と最小値は、ステップＳ２０１のデータを使用する。

ステップＳ３０３において、ステップＳ２０６で決定されたモデルを使用して予測し、予測結果ＳＹＨａｔ_Ｔを取得する。本実施例において、モデル構造は、図２に示されており、モデルパラメータは、ステップＳ２０６で決定されたパラメータである。

ステップＳ３０４において、ステップＳ２０１で使用されたデータ前処理方法に従って、ＳＹＨａｔ_Ｔを、ＹＨａｔ_Ｔに逆処理する。本実施例において、準正規化法を使用し、計算式は、次のようになり、
ただし、Ｖ_ｍｉｎ、Ｖ_ｍａｘは、それぞれ予報すべき量の最大値と最小値である。
該実施例の最終予報結果を図３に示す。

本発明によって提供される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の実際の適用効果をさらに説明するために、２０２０年通年のＡ発電所における該方法の予測効果をさらに分析する。誤差分析では、絶対誤差と平均絶対誤差が分析指標として使用され、平均絶対誤差の計算方法は、次のとおりである。
ただし、
は、絶対誤差であり、
および
は、それぞれ予測水位と実測水位であり、ｎは、予測用サンプルの数である。

図４は、２０２０年通年の、予報期間による該方法の全体予測誤差の変化を示している。全体予測の平均絶対誤差は、予報期間の増加とともに徐々に増加することが図からわかる。予報期間が４８時間である場合、予報の平均絶対誤差は、０．０６３ｍである。図５は、２０２０年通年の予測の絶対誤差の分布を示し、予報期間が長くなるにつれて、誤差の大きいポイントの数が徐々に増加し、サンプルポイントの９５％の絶対誤差が０．２以内にあることが図からわかる。平均絶対誤差であろうと絶対誤差の分布であろうと、予測精度が比較的小さく、基本的に精度要件を満たすことができることを示している。

実施例２
本発明の別の態様は、コンピュータ読み取り可能な記憶媒体およびプロセッサを含む、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システムを提供する。

さらに、前記コンピュータ読み取り可能な記憶媒体は、実行可能な命令を記憶するために使用される。

さらに、前記プロセッサは、前記コンピュータ読み取り可能な記憶媒体に記憶された実行可能な命令を読み取り、第１の態様で説明した、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を実行するために使用される。

実施例３：
本発明の別の態様は、コンピュータプログラムが記憶された非一時的なコンピュータ読み取り可能な記憶媒体を提供し、該コンピュータプログラムがプロセッサによって実行されると、第１態様で説明した、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を実現する。

Claims (3)

1. 動的貯水容量の影響を考慮した水力発電を行うダムの貯水池の超短期水位予測方法であって、
   所定の時間スケールであって水位を予測する際の離散化する時間間隔である時間スケールの貯水池運用データを収集し、設定されたパラメータと収集された貯水池運用データに従って、データセット（Ｘ₁、Ｘ₂、Ｙ）を構築し、ここでは、Ｘ₁は、予測時点よりも前の期間である前期の水位変化および貯水域の水面線の水位変化を含み、Ｘ₂は、将来の流出量情報と水位変化のヒステリシスの流入量による影響とを考慮した流入量情報を含み、Ｙは、出力情報である、データ分析処理ステップＳ１と、
   ステップＳ１で構築されたデータセット（Ｘ₁、Ｘ₂、Ｙ）に基づいて、出力Ｙと入力Ｘ＝（Ｘ₁、Ｘ₂）との間の関係を反映する予測モデルを確立する予測モデル確立ステップＳ２と、
   ステップＳ２で確立された予測モデルに基づいて、水位予測結果を生成する水位予測結果生成ステップＳ３とを含み、
   前記ステップＳ１は、具体的には、
   実際のビジネスニーズに応じて、１時間に設定された時間ステップｓｔｅｐと４８時間に設定された予測期間ｆｌｔを設定するステップＳ１０１と、
   貯水域の水面線の水位が上流水位に与える影響の最大遅れ期間ｌａｇｓと、流入量が上流水位に与える影響の遅れ時間ＱＬａｇｓを求めるステップＳ１０２と、
   設定された時間ステップｓｔｅｐに従って、所定の時間スケールの貯水池運用データを収集し、
   前記貯水池運用データは、前記貯水池の運用中に生成されるデータであって、発電所の出力データである発電量Ｎ、貯水域の水面線の水位データＷＬ、上流水位データＷＬＵｐ、下流水位データＷＬＤｏｗｎ、動的貯水容量の流入量データＱ、および放流量データＱＯｕｔを含み、同じ期間のデータを傍受し、傍受後のデータ長をｎｕｍ ₀ と記すステップＳ１０３と、
   設定されたパラメータおよび収集されたデータに従って、データセットを構築し、データセットには、ｎｕｍ＝ｎｕｍ ₀ －ｌａｇｓ－ｆｌｔ＋１のサンプルデータが含まれるＳ１０４とを含み、ここでは、各サンプルポイントデータの構築方法として、特定の時点ｔでのサンプルデータの出力は、次のとおりであり、
   

   

   Ｙ _t は、ｆｌｔ×１のベクトルであり、将来のｆｌｔの時間ステップ内で予測すべき上流水位値を含み、サンプルデータの入力は、Ｘ _t であり、予測時点ｔの前期の水位特徴データ、および将来の出力、放流量、およびヒステリシスを考慮した動的貯水容量の流入量データを含み、それぞれＸｔ ₁ およびＸｔ ₂ と記し、ここでは、
   

   

   Ｘ _t1 は、ｌａｇｓ×ｍの行列であり、ｍは、貯水域の水面線の水位データ、上流水位データ、下流水位データの変数の総数であって、前期の水位状況および貯水域の水面線の特徴を反映し、
   Ｘ _t2 は、ｆｌｔ×３の行列であり、将来の出力と流量状況を反映し、すべてのサンプルを組み合わせて形成されるデータセットには、出力Ｙと入力Ｘ＝（Ｘ ₁ 、Ｘ ₂ ）、即ち、データセット（Ｘ ₁ 、Ｘ ₂ 、Ｙ）が含まれ、Ｙは、ｎｕｍ×ｆｌｔ×１の行列であり、Ｘ ₁ は、ｎｕｍ×ｌａｇｓ×ｍの行列であり、Ｘ ₂ は、ｎｕｍ×ｆｌｔ×３の行列であり、
   前記ステップＳ２は、具体的には、
   正規化または標準化方法を使用して、構築されたデータセット（Ｘ ₁ 、Ｘ ₂ 、Ｙ）を、標準データセット（ＳＸ ₁ 、ＳＸ ₂ 、ＳＹ）に処理するデータ前処理ステップＳ２０１と、
   標準データセットを一定の比率に従って、ランダムにトレーニングセット（ＴｒａｉｎＳＸ ₁ 、ＴｒａｉｎＳＸ ₂ 、ＴｒａｉｎＳＹ）および検証セット（ＴｅｓｔＳＸ ₁ 、ＴｅｓｔＳＸ ₂ 、ＴｅｓｔＳＹ）に分割するデータ分割ステップＳ２０２と、
   構築したデータセットの特徴に応じて、深層学習における長短期記憶層、畳み込み層、全結合層を用いて、貯水域の水面線の水位データ、流量データ、出力データ変化特徴を抽出できるモデル構造を設計し、モデルの最適化目標を設定し、初期のモデルハイパーパラメータセットを設定するモデル構造およびパラメータ設計ステップＳ２０３と、
   与えられたモデル構造とハイパーパラメータセットの条件下で、トレーニングセット（ＴｒａｉｎＳＸ ₁ 、ＴｒａｉｎＳＸ ₂ 、ＴｒａｉｎＳＹ）に基づいて、モデルパラメータを最適化し、最適化目標を満たすモデルを取得するモデルトレーニングステップＳ２０４と、
   トレーニング済みのモデルと最適化目標に基づいて、検証セット（ＴｅｓｔＳＸ ₁ 、ＴｅｓｔＳＸ ₂ 、ＴｅｓｔＳＹ）でのモデルの効果を評価するモデル評価ステップＳ２０５と、
   モデル評価結果が予測精度要件を満たすか否かを判断し、満たさない場合、モデル構造、最適化目標、およびハイパーパラメータを調整し、予測精度要件を満たす予測モデルが得られるまで、ステップＳ２０４およびＳ２０５を繰り返して実行する予測モデル決定ステップＳ２０６とを含み、
   前記ステップＳ３は、具体的には、
   予測の時間Ｔで、ステップＳ１０３およびＳ１０４に従って対応するデータを収集し、該時間Ｔに対応するサンプルポイントの入力Ｘ _T ＝（ＸＴ ₁ 、ＸＴ ₂ ）を構築するステップＳ３０１と、
   ステップＳ２０１でのデータ前処理方法を用いて、入力Ｘ _T をＳＸ _T に処理するステップＳ３０２と、
   ステップＳ２０６で決定された予測モデルを使用して予測し、予測結果ＳＹＨａｔ _T を取得するステップＳ３０３と、
   ステップＳ２０１で使用されたデータ前処理方法に従って、予測結果ＳＹＨａｔ _T を、該予測時間に対応する実際の水位である実際の水位予測結果ＹＨａｔ _T に逆処理するステップＳ３０４とを含むことを特徴とする水位予測方法。
2. メモリ、プロセッサ、および、前記メモリに記憶されかつ前記プロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサによって前記コンピュータプログラムを実行すると請求項１に記載の水位予測方法が実現されることを特徴とする水位予測システム。
3. コンピュータプログラムが記憶された非一時的なコンピュータ読み取り可能な記憶媒体であって、該コンピュータプログラムがプロセッサによって実行されると請求項１に記載の水位予測方法が実現されることを特徴とする記憶媒体。