一种考虑动库容影响的水库超短期水位预测方法、系统及存储介质技术方案

本发明专利技术提供了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，包括以下步骤：步骤1，分析动库容入库流量、库区水面线对坝前水位影响的滞后性，收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集；步骤2，基于构建的数据集，建立以前期水位、前期库区水面线特征、预报流量、出力计划、弃水计划等变量为输入的坝前水位深度学习预报模型；步骤3，基于构建的深度学习预报模型，产生不同应用条件下的水位预测结果。本发明专利技术能够在水库超短期水位预测计算中考虑动库容的影响，实现快速、高精度的水库超短期水位预测，从而为水电站发电计划制定及水库安全运行提供更好的支撑。安全运行提供更好的支撑。安全运行提供更好的支撑。

【技术实现步骤摘要】
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


[0001]本专利技术属于水库调度
，具体涉及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。

技术介绍

[0002]在水库实际运行过程中，考虑水库来水信息和发电计划的水库超短期水位预测对于水电站发电计划制定、水库安全运行具有重要意义，基于水位预测结果可在符合调度规程的框架下对水库出力计划进行适当的修正，生产满足调度需求且发电效益最大的出力计划。
[0003]对于一般水库而言，常通过基于静库容原理的水量平衡法对水库水位进行预测，在实际应用中可以取得良好的水位预测结果。在该方法中，基于“入库水量
‑
出库水量＝水库蓄量变化”的水量平衡关系计算水库蓄水量的变化，从而推算坝前水位变化，其中入库水量采用的是静库容入库水量，且计算中只考虑水库静库容的变化，并假定水库水面为水平面，其涨落为水平涨落。但是，对于河道型水库而言，水库动库容(最远回水断面到坝前的总蓄水量)的存在使水库水位预测面临着两方面问题：
[0004](1)河道型水库的水面具有一定的纵向比降，水库的实际水面与坝前水位的水平线之间会形成楔形水库容积，水库蓄水量变化不仅会反映到坝前水位的变化中，也会影响库区水面线，且库区水面线变化的水动力学特征复杂，因此根据水库蓄水量变化难以直接推算水库坝前水位变化；
[0005](2)水库的动库容入库水量仅能反映水库回水断面处的水量，其需通过库区水面线变化反映到坝前水位的变化中，因此动库容入库水量对于坝前水位的影响具有一定的滞后性。
[0006]总体而言，河道型水库动库容的存在使水库蓄量变化难以准确计算，动库容入库水量对水库坝前水位影响的滞后性也造成了水位预测的困难。

技术实现思路

[0007]针对现有技术存在的缺陷，本专利技术提供了一种考虑动库容影响的水库超短期水位预测方法，此方法能够在水库超短期水位预测计算中考虑动库容的影响，实现快速、高精度的水库超短期水位预测，从而为水电站发电计划制定及水库安全运行提供更好的支撑。
[0008]为了实现上述的技术特征，本专利技术的目的是这样实现的：一种考虑动库容影响的水库超短期水位预测方法，包括以下步骤：
[0009]步骤S1：数据分析及处理：
[0010]收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集(X1，X2，Y)，其中：X1包含前期水位特征和库区水面线水位特征，X2包含未来出库流量信息和考虑影响滞后性的入库流量信息，Y为输出信息；
[0011]步骤S2：建立预报模型：
[0012]基于步骤S1构建的数据集(X1，X2，Y)，建立反映输出Y和输入X＝(X1，X2)之间关系的预报模型；
[0013]步骤S3：产生水位预测结果：
[0014]基于步骤S2建立的预报模型，产生水位预测结果。
[0015]所述步骤S1具体包括：
[0016]步骤S101：根据实际业务需求设定时间步长step、预见期flt；
[0017]步骤S102：确定库区水面线水位对坝前水位影响的最大滞后期lags和入库流量对坝前水位影响的滞后时间QLags；
[0018]步骤S103：根据设定的时间步长step收集相应时间尺度的水库运行数据；
[0019]所述水库运行数据包括电站出力数据N、库区水面线水位数据WL、坝前水位数据WLUp、下游水位数据WLDown、动库容入库流量数据Q以及弃水流量数据QOut，并截取同时段的数据，截取后数据长度记为num0；
[0020]步骤S104：根据设定参数和收集数据构建数据集，数据集中包含num＝num0‑
lags
‑
flt+1个样本数据，其中每一个样本点数据的构建方式如下：在某一时间点t，样本数据的输出为：
[0021]Y
t ＝ [WLUp
t+1
； WLUp
t+2
；
ꢀ……
； WLUp
t+flt
]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0022]Y
t
为flt
×
1的向量，其包含未来flt个时间步长内的待预测坝前水位值，样本数据的输入为X
t
，包括预测时间点t前期的水位特征数据以及未来的出力、弃水流量、考虑滞后性的动库容入库流量数据，分别记为X
t1
和X
t2
，其中：
[0023]X
t1
＝[[WL,WLUp,WLDown]t
‑
lags+1
；[WL,WLUp,WLDown]t
‑
lags+2
；
……
；[WL,WLUp,WLDown]t
](2)
[0024][0025]X
t1
为lags
×
m的矩阵，其中m为库区水面线水位数据、坝前水位数据、下游水位数据的变量总个数，反映前期的水位情况以及库区水面线特征；
[0026]X
t2
＝[[N
t+1
,Q
t+1
‑
QLags
,QOut
t+1
]；[N
t+2
,Q
t+2
‑
QLags
,QOut
t+2
]；
……
；[N
t+flt
,Q
t+flt
‑
QLags
,QOut
t+flt
]](3)
[0027][0028]X
t2
为flt
×
3的矩阵，反映未来的出力和流量情况，将所有样本结合起来构成的数据集包含输出Y和输入X＝(X1，X2)，即数据集(X1，X2，Y)，其中Y为num
×
flt
×
1的矩阵，X1为num
×
lags
×
m的矩阵，X2为num
×
flt
×
3的矩阵。
[0029]所述步骤S2具体包括：
[0030]步骤S201：数据预处理：
[0031]采用归一化或者标准化方法将构建的数据集(X1，X2，Y)处理为标准数据集(SX1，SX2，SY)；
[0032]步骤S202：数据划分：
[0033]将标准数据集按照一定的比例随机划分为训练集(TrainSX1，TrainSX2，TrainSY)和验证集(TestSX1，TestSX2，TestSY)；
[0034]步骤S203：模型结构及参数设计：
[0035]根据所构建的数据集的特征，利用深度学习中的长短期记忆层、卷积层、全连接层设计能够提取其中库区水面线水位数据、流量数据、出力数据变化特征的模型结构，设定模型的优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑动库容影响的水库超短期水位预测方法，其特征在于，包括以下步骤：步骤S1：数据分析及处理：收集相应时间尺度的水库运行数据，根据设定参数和收集的水库运行数据构建数据集（X1，X2，Y），其中：X1包含前期水位特征和库区水面线水位特征，X2包含未来出库流量信息和考虑影响滞后性的入库流量信息，Y为输出信息；步骤S2：建立预报模型：基于步骤S1构建的数据集（X1，X2，Y），建立反映输出Y和输入X=（X1，X2）之间关系的预报模型；步骤S3：产生水位预测结果：基于步骤S2建立的预报模型，产生水位预测结果。2.根据权利要求1所述一种考虑动库容影响的水库超短期水位预测方法，其特征在于，所述步骤S1具体包括：步骤S101：根据实际业务需求设定时间步长step、预见期flt；步骤S102：确定库区水面线水位对坝前水位影响的最大滞后期lags和入库流量对坝前水位影响的滞后时间QLags；步骤S103：根据设定的时间步长step收集相应时间尺度的水库运行数据；所述水库运行数据包括电站出力数据N、库区水面线水位数据WL、坝前水位数据WLUp、下游水位数据WLDown、动库容入库流量数据Q以及弃水流量数据QOut，并截取同时段的数据，截取后数据长度记为num0；步骤S104：根据设定参数和收集数据构建数据集，数据集中包含num=num0‑
lags
‑
flt+1个样本数据，其中每一个样本点数据的构建方式如下：在某一时间点t，样本数据的输出为：Y
t
=[WLUp
t+1
;WLUp
t+2
;
……
;WLUp
t+flt
]（1）Y
t
为flt
×
1的向量，其包含未来flt个时间步长内的待预测坝前水位值，样本数据的输入为X
t
，包括预测时间点t前期的水位特征数据以及未来的出力、弃水流量、考虑滞后性的动库容入库流量数据，分别记为X
t1
和X
t2
，其中：X
t1
=[[WL,WLUp,WLDown]
t
‑
lags+1
;[WL,WLUp,WLDown]
t
‑
lags+2
;
……
;[WL,WLUp,WLDown]
t
]（2）X
t1
为lags
×
m的矩阵，其中m为库区水面线水位数据、坝前水位数据、下游水位数据的变量总个数，反映前期的水位情况以及库区水面线特征；X
t2
=[[N
t+1
,Q
t+1
‑
QLags
,QOut
t+1
];[N
t+2
,Q
t+2
‑
QLags
,QOut
t+2
];
……
;[N
t+flt
,Q
t+flt
‑...

【专利技术属性】
技术研发人员：徐杨，刘亚新，汤正阳，曹辉，杨旭，张玉柱，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：