基于长短期记忆网络的梯级水电站发电量预测方法技术

本发明专利技术公开了基于长短期记忆网络的梯级水电站发电量预测方法，包括对水电站发电量时间序列进行平稳性检验；对发电量时间序列进行相关性检验；将发电量时间序列数据转换成监督学习数据；建立基于长短期记忆网络的发电量预测模型；对发电量数据进行集成经验模态分解，得到训练集和测试集；利用训练集对发电量预测模型进行训练，采用改进离散差分进化算法进行模型超参数优化，得到最优模型参数；采用发电量预测模型对梯级水电站进行发电量预测。本发明专利技术的方法可适用于大中型梯级电站发电量的预测；基于LSTM神经网络的发电量预测模型对多年调节电站发电量预测更有优势，且对模型的超参数优化，提高了模型的拟合精度。

Power generation prediction method of cascade hydropower stations based on short-term memory network

【技术实现步骤摘要】
基于长短期记忆网络的梯级水电站发电量预测方法
本专利技术属于水电能源优化领域，具体涉及基于长短期记忆网络的梯级水电站发电量预测方法。
技术介绍
随着我国电网建设的高速发展和电网规模的不断扩大，电网安全稳定经济运行的需求越来越高，日益增长的用电需求和调峰能力之间的矛盾，给水电运营带来极大挑战。然而，水电作为我国电网中的主要调峰电源，出力过程需充分考虑各受电电网调峰要求，这对挖掘水电站基于多约束情形下发电量预测提出更高要求。水电站发电量预测以水电站过去一段时间的发电量、入库流量、出库流量、坝上水位、坝下水位、水头、蓄能值等与水电站发电存在相关关系的数据来预测未来一段时间水电站的发电量，从而方便调度计划制作。现有发电量预测的研究主要面向无调节能力的小水电站，发电量预测主要采用以下几类方法，最常用的是灰色预测模型，该方法对通过较少的输入信息进行变换，建立微分灰色系统，对事物的发展做出解释；动态神经网络类模型也常用于径流式水电站发电量预测，包括BP神经网络、小波神经网络以及人工神经网络ANN等。但是此类径流式水电站发电量基本取决于来水，人工可操作空间较小。现有研究方法鲜有提及大中型梯级电站发电量的预测，这给调度计划的编制带来了困难，且当前研究尚未考虑到发电量时间序列的长期依赖性。
技术实现思路
本专利技术的技术问题是现有的发电量预测方法鲜有提及大中型梯级电站发电量的预测，且未考虑到发电量时间序列的长期依赖性。本专利技术的目的是解决上述问题，提供基于长短期记忆网络的梯级水电站发电量预测方法，利用长短期记忆网络(LongShort-TermMemory，LSTM)构建发电量预测模型，对水电站发电量数据进行集成经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)得到发电量预测模型的训练集和测试集，同时针对LSTM神经网络参数种类多、非连续以及人工调参难度大的特点，采用改进的离散差分进化算法(ModifiedDiscreteDifferentialEvolutionAlgorithms，MDDE)对发电量预测模型超参数优化，更加精确地对梯级水电站发电量做出预测。本专利技术的技术方案是基于长短期记忆网络的梯级水电站发电量预测方法，包括以下步骤，步骤1：对特征工程的数据预处理，对水电站发电量时间序列进行平稳性检验；步骤2：对发电量时间序列进行相关性检验，选取相关性高的发电量影响因子；步骤3：将发电量时间序列数据转换成监督学习数据；步骤4：建立基于长短期记忆网络的发电量预测模型；步骤5：对步骤3的发电量数据进行集成经验模态分解，得到训练集和测试集；步骤6：利用训练集对发电量预测模型进行训练，采用改进离散差分进化算法进行模型超参数优化，得到最优模型参数；步骤7：使用测试集对基于长短期记忆网络的发电量预测模型进行测试；步骤8：采用基于长短期记忆网络的发电量预测模型对梯级水电站进行发电量预测。优选地，步骤1中，所述对水电站发电量时间序列进行平稳性检验，采用单位根检验的方法，当序列不存在单位根时则认为序列具有平稳性，否则认为该序列是非平稳时间序列。优选地，步骤2中，所述对发电量时间序列进行相关性检验，包括计算Pearson相关系数、Spearman相关系数。进一步地，步骤3中，所述将发电量时间序列数据转换成监督学习数据，时间序列数据的维度为N_features，时间序列的长度为l，X_timesteps为时间窗口长度，对应样本数据；Y_timesteps为预见期长度，对应数据标签数据；对发电量时序序列依次进行滑动分割，每次取出长度为X_timesteps+Y_timesteps的序列，得到多个子序列，子序列的数量N_samples＝l-X_timesteps-Y_timesteps+1。进一步地，步骤5中，所述对步骤3的发电量数据进行集成经验模态分解，具体包括：1)导入数据集X，数据集的容量为N，标准差为std；2)初始化附加噪声与标准差之比Nstd以及集成数量NE；3)对N取对数取整后减1，得到IMF分量个数M；4)对序列添加噪声；5)进行经验模态分解得到IMF分量以及残差，当分解次数小于M时进入步骤4)；6)输出IMF分量及残差。进一步地，步骤6中，所述采用改进离散差分进化算法进行模型超参数优化，对深度学习中的超参数学习率、迭代次数、优化器、激活函数、时间窗、神经元数量进行独热编码，再进行差分进化。优选地，所述采用改进离散差分进化算法进行模型超参数优化的过程利用分布式并行计算方法，分布式并行计算方法包括以下步骤：(1)主节点加载集群计算节点列表，并对优化算法的种群初始化；(2)主节点根据节点列表向所有计算节点广播确认信息，若有节点无响应则将该节点从节点列表移除；当节点列表为空，即所有节点均无法工作，则提示用户检查节点信息，计算终止；(3)如果有可用节点，主节点将开启多线程，将种群的计算任务均衡到各计算节点，然后开启线程等待，并设定超时时间，等待各计算节点返回计算结果；当有节点计算超时，放弃该节点计算结果，将该节点移除；(4)当所有节点计算完毕，判断是否达到终止条件，如果没有达到终止条件，则更新种群与最优值，执行步骤(3)；如果达到终止条件后，使用最优参数进行模型训练，并输出训练好的模型。相比现有技术，本专利技术的有益效果：1)本专利技术的基于长短期神经网络的梯级短期发电量预测方法可适用于大中型梯级电站发电量的预测；2)通过相关分析和主成分分析，提取了对发电量影响显著的因子，同时使用集成经验模态分解技术将时间序列进行特征提取，有利于模型从不同尺度上的数据学习调度规则，提高了模型的泛化能力和稳定性；3)基于LSTM神经网络的发电量预测模型能够处理长期依赖，对多年调节电站发电量预测更有优势；4)采用改进离散差分进化算法对发电量预测模型的超参数优化，提高了基于长短期神经网络的发电量预测模型的拟合精度。附图说明下面结合附图和实施例对本专利技术作进一步说明。图1为基于长短期记忆网络的梯级水电站发电量预测方法的流程图。图2为集成经验模态分解的流程示意图。图3为时间序列转换成监督学习数据的示意图。图4为独热编码与自然编码的对比示意图。图5为分布式并行计算方法的流程示意图。图6为水布垭电站日发电量时序图。图7为隔河岩电站日发电量时序图。图8-1为水布垭电站发电量时间序列自相关分析图。图8-2为水布垭电站发电量时间序列偏自相关分析图。图8-3为隔河岩电站发电量时间序列自相关分析图。图8-4为隔河岩电站发电量时间序列偏自相关分析图。图9-1为水布垭电站发电量影响因素相关分析的Pearson相关系数图。图9-2为水布垭电站发电量影响因素相关分析的Spearman相关系数图。图10-1为隔河本文档来自技高网...

【技术保护点】
1.基于长短期记忆网络的梯级水电站发电量预测方法，其特征在于，包括以下步骤，/n步骤1：对特征工程的数据预处理，对水电站发电量时间序列进行平稳性检验；/n步骤2：对发电量时间序列进行相关性检验，选取相关性高的发电量影响因子；/n步骤3：将发电量时间序列数据转换成监督学习数据；/n步骤4：建立基于长短期记忆网络的发电量预测模型；/n步骤5：对步骤3的发电量数据进行集成经验模态分解，得到训练集和测试集；/n步骤6：利用训练集对发电量预测模型进行训练，采用改进离散差分进化算法进行模型超参数优化，得到最优模型参数；/n步骤7：使用测试集对基于长短期记忆网络的发电量预测模型进行测试；/n步骤8：采用基于长短期记忆网络的发电量预测模型对梯级水电站进行发电量预测。/n

【技术特征摘要】
1.基于长短期记忆网络的梯级水电站发电量预测方法，其特征在于，包括以下步骤，
步骤1：对特征工程的数据预处理，对水电站发电量时间序列进行平稳性检验；
步骤2：对发电量时间序列进行相关性检验，选取相关性高的发电量影响因子；
步骤3：将发电量时间序列数据转换成监督学习数据；
步骤4：建立基于长短期记忆网络的发电量预测模型；
步骤5：对步骤3的发电量数据进行集成经验模态分解，得到训练集和测试集；
步骤6：利用训练集对发电量预测模型进行训练，采用改进离散差分进化算法进行模型超参数优化，得到最优模型参数；
步骤7：使用测试集对基于长短期记忆网络的发电量预测模型进行测试；
步骤8：采用基于长短期记忆网络的发电量预测模型对梯级水电站进行发电量预测。


2.根据权利要求1所述的基于长短期记忆网络的梯级水电站发电量预测方法，其特征在于，步骤1中，所述对水电站发电量时间序列进行平稳性检验，采用单位根检验的方法。


3.根据权利要求1所述的基于长短期记忆网络的梯级水电站发电量预测方法，其特征在于，步骤2中，所述对发电量时间序列进行相关性检验，包括计算Pearson相关系数、Spearman相关系数。


4.根据权利要求1所述的基于长短期记忆网络的梯级水电站发电量预测方法，其特征在于，步骤3中，所述将发电量时间序列数据转换成监督学习数据，时间序列数据的维度为N_features，时间序列的长度为l，X_timesteps为时间窗口长度，对应样本数据；Y_timesteps为预见期长度，对应数据标签数据；对发电量时序序列依次进行滑动分割，每次取出长度为X_timesteps+Y_timesteps的序列，得到多个子序列，子序列的数量N_samples=l-X_timesteps-Y_timesteps+1...

【专利技术属性】
技术研发人员：舒生茂，张地继，邢喜旺，陈忠贤，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：北京;11