梯级水电站群水位预测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种梯级水电站群水位预测方法、装置及计算机可读存储介质，本发明专利技术的技术要点是使用K

【技术实现步骤摘要】
梯级水电站群水位预测方法、装置及计算机可读存储介质


[0001]本专利技术涉及梯级水电站群水位预测
，尤其涉及一种基于LSTM网络的梯级水电站群水位预测方法。

技术介绍

[0002]随着经济社会的高速发展，各类生产生活需求的电力也在不断增长。由于水电相比其他各类能源中有着环境污染小、经济效益高、便于调峰等优点，在我国的能源结构中占有举足轻重的地位。此外，水电站在作物灌溉、防洪防涝等工作中也发挥了重要作用。梯级水电站群作为大型水利水电工程设施，在如今传统行业数字化、信息化、智慧化转型的关键时期，急需引入各类信息技术手段提高整体的经济效益和风险防范能力。梯级水电站群的水位预测是其调度运行的决策依据，提高水位预测的准确性和实时性有利于细粒度地控制水电站群的运行，提高调度运行决策的速度和质量。
[0003]传统的基于物理模型的梯级水电站群水位预测方法，利用形式化的物理定律构建多层级的水文模型，对水位的变动过程进行数值模拟和预测等。但是，在实际的生产过程中，传统方法存在计算开销大、实时性较差、准确性不高、难以应对突发气象状况等缺陷，并且需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种梯级水电站群水位预测方法，其特征在于，包括步骤：S1.采集梯级水电站群的水文信息和运行信息数据；其中，水文信息包括：上游来水流量序列和坝前水位变化序列；运行信息包括：发电机组实际出力序列和泄洪流量序列；S2.将采集到的数据划分成k个水文时期类别，按待预测时间点的数据所属的时期类别整理得到水位预测集D＝{x1，x2，...，x
m
}，并得到k个时期类别的聚类中心c1，c2，...，c
k
；m表示数据集中的样本数量；S3.将每个时期类别的数据输入至k个LSTM网络中分别进行训练，训练完成后得到每个水文时期对应的网络模型参数，根据得到的聚类中心和网络模型参数得到水位预测模型；S4.根据所述数据集中的验证数据对水位预测模型的效果进行验证，根据实际的预测误差调整LSTM网络训练的超参数，重复步骤S3，得到最终的水位预测模型；S5.将梯级水电站群前一段时间内的水文信息和其运行信息输入步骤S4得到的最终水位预测模型中，预测水电站下一个时间段内的坝前水位信息。2.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，所述步骤S1中，还包括：对采集的坝前水位变化序列进行标准化处理：其中，表示处理后的坝前水位变化序列，log t表示对采集的坝前水位变化序列t逐元素取对数，mean(log t)和std(log t)分别表示坝前水位变化序列t的平均值和标准差。3.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，所述步骤S2具体包括：S21.随机从水位预测集D中选择一个样本作为初始聚类中心c0；S22.计算水位预测集D中每个样本x
i
到已选出聚类中心的最大距离d(x
i
)，对每个样本点按概率选出第j个聚类中心c
j
；S23.重复步骤S22直到选出所有k个聚类中心c1，c2，...，c
k
；S24.计算每个样本x
i
到所有聚类中心的距离，并将其距离归为距离最小的聚类中心所对应的类；S25.对于每个类别a
j
，重新计算聚类中心S26.重复步骤S25，直到聚类中心变化误差小于阈值或算法迭代次数大于设定值，输出每个样本所属类别及其对应的聚类中心。4.如权利要求3所述的梯级水电站群水位预测方法，其特征在于，所述步骤S22中任意两样本x，y之间的距离dist(x，y)计算方式如下：这里的x和y表示数据集D中任意的样本或聚类中心，diff(x...

【专利技术属性】
技术研发人员：路通，郭海锋，刘若泽，
申请(专利权)人：南京大学，
类型：发明
国别省市：