基于天然来水量预测的水电站库容能力评估方法和系统技术方案

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

【技术实现步骤摘要】
基于天然来水量预测的水电站库容能力评估方法和系统


[0001]本申请涉及电网
，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
。

技术介绍

[0002]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
。

技术实现思路

[0003]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
。
[0004]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
。
[0005]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
。
[0006]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
。
[0007]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
。
[0008]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
。
[0009]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
。
[0010]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
。
[0011]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
。
[0012]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
。
[0013]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
。
[0014]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
。
[0015]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
。
[0016]可选地，最大信息系数法的表达式为：
[0017][0018]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
。
[0019]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
。
[0020]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
。
[0021]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
。
[0022]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
。
[0023]可选地，查询矩阵的稀疏性评价表达式为：
[0024]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
。
[0025]可选地，蒸馏运算的表达式为：
=MP
（
ELU
（
Convld
（
[]）））
[0026][0027]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
。
[0028]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
。
[0029]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
。
[0030]可选地，泄洪能力
G
表达式为：
[0031]G=[q
‑‑
+|(a)|)]T+(1+b)V
[0032]其中，
...

【技术保护点】

【技术特征摘要】
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：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
：...

【专利技术属性】
技术研发人员：吴晓刚，吴新华，赵汉鹰，陶毓锋，章寒冰，叶吉超，冯华，夏翔，杜倩昀，李祖鑫，季青锋，周逸之，陈楠，胡鑫威，许文涛，叶宣甫，叶杰阳，吴梦凯，
申请(专利权)人：国网浙江省电力有限公司，
类型：发明
国别省市：