【技术实现步骤摘要】
本专利技术属于梯级水电站，具体涉及考虑梯级水电上下游关联与贫资料的小水力发电预测方法。
技术介绍
1、尽管水电站在能源领域中具有重要地位，但部分水电站缺乏建模所需的关键数据和信息，这对发电预测提出了挑战。水电站之间存在着上下游之间的关联特征，这些特征在发电预测中起着重要作用。例如，上游水电站的流量变化可能会影响下游水电站的发电情况。上下游水电站之间的关联关系受多种因素影响，包括水流量、水位、河道形态、气候条件等。这些因素对上下游水电站的水资源分配和发电产能具有重要影响。准确把握这些因素对关联关系的影响可以提高发电预测的准确性和可靠性。然而，传统方法常常忽视了这些关联特征，无法充分利用水电站之间的拓扑链接信息。现已有研究关注了水电站上下游之间的关联关系，并提出了一些方法来建立和利用这种关系来改进发电预测。例如，部分现有文献使用数学模型来描述上下游水电站之间的水流传输关系，并将这些关系纳入发电预测模型中。利用机器学习和数据挖掘技术，从历史数据中提取上下游关联特征，并将其应用于发电预测任务中。这些研究表明，充分考虑水电站上下游之间的关联关系可以提高发电预测的准确性和泛化能力。但它们并没有考虑方法的泛用性以及特征提取的效率等问题。
2、此外，部分小水电站由于站址偏远，受限于建设成本原因站点未布置相关监测设备，导致建模数据稀缺。传统方法需要大量的训练样本来获得准确的预测结果，这在实际应用中存在困难。现已有相关研究试图解决这一难题：提出了耦合偏互信息的贫资料小水电预测方法，虽然有效解决了小水电预测数据贫乏的问题，但当地区新建小水
3、因此，梯级水电站的发电预测任务所面临的问题可以总结为以下几点：1、相较于单站建模，各水电站之间上下游的关联特征难以挖掘，发电特征提取不完善；2、对于建设于偏远地区的部分小水电，由于数据的稀缺性，大量的训练样本来进行建模的传统方法难以展开。
4、因此，现阶段需设计考虑梯级水电上下游关联与贫资料的小水力发电预测方法，来解决以上问题。
技术实现思路
1、本专利技术目的在于提供考虑梯级水电上下游关联与贫资料的小水力发电预测方法，用于解决上述现有技术中存在的技术问题，通过构建水电站之间的拓扑网络，并使用图迁移学习技术将源水电站的知识迁移到目标水电站上，可以更好地捕捉上下游之间的关联关系，并有效地提升发电预测的性能。该方法不仅可以弥补数据稀缺性带来的问题，还可以减少对大量训练样本的需求。同时还引入远程迁移的思想，令源域数据中不同相似度的序列得到分别的针对性处理。现有的研究成果表明，充分考虑水电站上下游之间的关联关系可以提高发电预测的准确性和可靠性，针对低相似度源域的远程迁移学习也能够提高模型的泛化性。相比现有预测算法，本专利技术所提预测方面更加准确和稳定。
2、为实现上述目的，本专利技术的技术方案是：
3、考虑梯级水电上下游关联与贫资料的小水力发电预测方法，包括以下步骤：
4、步骤1、分析水电站之间的拓扑连接特征并利用拓扑连接特征进行发电预测任务，将水电站的上下游连接转化为适合图神经网络的拓扑矩阵表示；
5、步骤2、使用远程迁移学习将源水电站的知识迁移到目标水电站上，可捕捉上下游之间的关联关系；
6、步骤3、引入远程迁移的思想，令源域数据中不同相似度的序列得到分别的针对性处理；得到基于图卷积远程迁移学习流程框架，最终通过基于图卷积远程迁移学习流程框架进行预测。
7、进一步的，步骤1中：
8、首先，将每个水电站作为图神经网络的节点，并为每个节点分配唯一的标识符或索引；节点代表水电站的位置和特征；接下来构建一个拓扑矩阵，拓扑矩阵用于表示水电站之间的连接关系；拓扑矩阵的大小为n×n，其中n是水电站的数量；初始时，矩阵中的所有元素都设为零，表示没有连接；然后，遍历水电站之间的连接关系，并在拓扑矩阵中相应的位置进行填充；其中，如果水电站i是水电站j的上游水电站，将拓扑矩阵中的第i行第j列元素设为1，表示水电站i与水电站j之间存在一条连接；如果水电站i是水电站j的下游水电站，将拓扑矩阵中的第j行第i列元素设为1，表示水电站j与水电站i之间存在一条连接；在处理特殊情况时，即循环连接或双向连接，根据具体的需求进行相应的调整；
9、通过转化，将水电站的上下游连接关系转化为一个拓扑矩阵，拓扑矩阵可作为图神经网络的输入来捕捉水电站之间的拓扑关系；拓扑矩阵定义节点之间的连接和信息传递方式，为图神经网络的建模提供一个有效的表示形式；
10、在图卷积网络中，每个节点的特征表示通过将其与邻居节点的特征进行加权和聚合而得到；加权和聚合操作通过图卷积层来实现，其中每个节点的特征由其邻居节点的特征加权求和得到；通过多层图卷积层的堆叠，图卷积网络能够学习出更复杂的节点表示，从而在图结构上进行高级的任务，图卷积网络的算子如式1所示；
11、
12、式中，为节点i在第l+1层的隐藏特征；σ(·)为激活函数；ni为节点i的相邻节点；cij为归一化因子；为l层节点i和l+1层节点j的权重。
13、进一步的，步骤2中：
14、以源域高相似度部分的数据作为中间域以连接相似度低的部分数据与目标域，实现远程迁移学习；以源域高相似度部分建立的预训练网络为最终的迁移学习模型提供更优的初始权重，以源域低相似度部分数据作为目标对特征提取层进行微调，最后基于目标域对全连接层进行微调，使模型公共知识迁移至目标任务；具体的微调过程如下：
15、冻结预训练网络中待微调部分以外的网络层参数，同时将微调层的参数设置开放训练；设置更低的学习率，用微调数据重新对模型进行训练；其过程描述为(2)和(3)；
16、
17、
18、
19、式中，φ(·)是预测模型,xt是训练数据集，φ(x)是水电预测曲线，y是水电的实际发电曲线，φ是可迁移层参数，φk是指第k次迭代时的可迁移层参数，∈是一个预设的阈值；
20、最后，迁移过程总结为：
21、
22、式中，θ为非迁移层参数。
23、进一步的，步骤3中：
24、提出基于图卷积远程迁移学习的水电超短期出力预测完整流程；首先按照时序特征将源域的长周期、多类型的水电发电数据以及环境辅助数据依据时空特征进行多维时序分割，得到一系列发电相关数据的子序列片段，同时设定合理的相似贡献度阈值，通过计算每个源域数据子序列的相似贡献度系数，将超过阈值的子序列视为与目标小水电发电特征相似度较高的数据片段，利用可全面提取拓扑连接特征与发电时序特征的gcn-lstm模型对其进行预训练；基于远程迁移学习的思想将不足阈值的子序本文档来自技高网...
【技术保护点】
1.考虑梯级水电上下游关联与贫资料的小水力发电预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的考虑梯级水电上下游关联与贫资料的小水力发电预测方法，其特征在于，步骤1中：
3.根据权利要求2所述的考虑梯级水电上下游关联与贫资料的小水力发电预测方法，其特征在于，步骤2中：
4.根据权利要求3所述的考虑梯级水电上下游关联与贫资料的小水力发电预测方法，其特征在于，步骤3中：
【技术特征摘要】
1.考虑梯级水电上下游关联与贫资料的小水力发电预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的考虑梯级水电上下游关联与贫资料的小水力发电预测方法，其特征在于，步骤1中：
3...
【专利技术属性】
技术研发人员：张海锋，王佳蕊，沈晓东，李德鑫，杨晶莹，冷俊，刘友波，魏泽涛，张家郡，孟祥东，庄冠群，张懿夫，
申请(专利权)人：国网吉林省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。