一种融合水文气象大数据的水电中长期出力预测方法、系统及终端与流程

本发明涉及电力运行调度，更具体地说，它涉及一种融合水文气象大数据的水电中长期出力预测方法、系统及终端。

背景技术：

1、水电出力中长期预测是电网调度、发电计划编制和电力市场交易的核心依据。现有技术主要依赖历史径流序列、历史出力序列或集总式水文模型，通过降雨、径流与汇流过程推算来水后，结合经验调度规则计算出力曲线。此类方法对流域下垫面参数、人工率定经验和气象输入精度依赖较强，在暴雨、融雪径流、持续干旱等复杂场景下容易出现系统性预测偏差。近年来，深度学习模型被尝试用于水电出力预测，相关研究在多源降水数据融合、次季节尺度降水-径流深度耦合、空天地一体化卫星遥感与地面数据融合以及基于深度学习的水文基流和蒸发估算等方面取得了局部进展。

2、然而，现有方法多聚焦于单一物理过程的就地优化，难以将气象大模型多要素预报、径流响应、水库调度规则、梯级水库联动和水电出力概率分布统一到同一预测框架中，气象预报的不确定性无法物理地映射为出力概率分布，单一模型难以在汛期、枯水期和融雪期之间平滑过渡，深度学习预测结果缺乏物理一致性保障，输出曲线常出现时序跳变、违反水量平衡和机组爬坡约束等问题，需要大量人工修正才能用于实际调度和电力市场交易。现有技术存在的具体缺陷包括以下几个方面：第一，集合气象预报的不确定性无法穿越水文模型和调度规则物理地映射为出力的概率分布，现有方案只能在输出端做统计后处理，不确定性来源不可追溯。第二，单一模型无法在汛期、枯水期和融雪期之间平滑过渡，极端水文状态跨度下的预测行为需要人工切换或分别为不同时期独立建模，增加了模型维护成本且切换处容易出现跳变。第三，梯级水库约束作为外挂调度优化模块运行，与预测过程分离，无法在出力生成阶段就满足梯级水力耦合约束，预测完成后需反复校核迭代，效率低下且易破坏预测连续性。第四，深度学习预测结果缺乏物理一致性保障，输出的数值曲线存在时序跳变、违反水量平衡和机组爬坡约束等问题，无法直接用于实际调度和电力市场交易。

3、因此，研究设计一种能够克服上述缺陷的融合水文气象大数据的水电中长期出力预测方法、系统及终端是目前急需解决的问题。

技术实现思路

1、为解决现有技术中的不足，本发明的目的是提供一种融合水文气象大数据的水电中长期出力预测方法、系统及终端，使得气象大模型的集合预报不确定性能够以物理一致的方式逐级穿过水文状态表征、径流响应预测和出力映射三个层次，最终输出既满足水量平衡、库容边界、梯级水力联系和机组爬坡约束，又具备物理解释性的多时间尺度概率出力曲线，实现从气象数据到调度交易决策的全流程无人干预。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、第一方面，提供了一种融合水文气象大数据的水电中长期出力预测方法，包括以下步骤：

4、获取多源基础数据，所述多源基础数据包括气象大模型预报数据、河流水情监测数据、电站基础信息和梯级关联参数；

5、对所述多源基础数据进行融合，构建流域装机加权面雨量特征；

6、构建三级耦合深度学习模型，所述三级耦合深度学习模型包括依次连接的水文气象表征层、径流响应预测层和水电出力映射层，其中所述水电出力映射层内嵌梯级水库约束；

7、根据当前水文状态生成状态门控因子，并通过所述状态门控因子动态调节所述三级耦合深度学习模型的内部权重和约束强度；

8、对所述三级耦合深度学习模型的输出施加物理一致性校正，得到最终的概率出力曲线。

9、进一步的，所述流域装机加权面雨量特征的构建具体为：

10、对于每个流域，根据流域内各城市的装机容量占比计算各城市在流域的权重；

11、对于每个城市，将城市在所有涉及流域中的权重进行累加并归一化，得到城市的综合权重；

12、以所述综合权重对各城市的降雨数据进行加权求和，得到所述流域装机加权面雨量特征。

13、进一步的，所述径流响应预测层采用cnn-resnet统计降尺度与物理引导lstm耦合结构；

14、其中，所述物理引导lstm的损失函数包含预测误差项和物理一致性惩罚项，所述物理一致性惩罚项为预测时段内流域入流与出流之差相对于库容变化的偏差平方和。

15、进一步的，所述状态门控因子由综合汛期信号和极端水文事件概率共同生成；

16、所述综合汛期信号通过流量比值与水位超警程度的加权和计算得到，所述流量比值为当前流量与多年同期平均流量的比值，所述水位超警程度为当前水位超过汛限水位的差值除以正常蓄水位与汛限水位的差值；

17、所述极端水文事件概率通过基于卫星遥感和集成学习的极端水文事件分类器输出。

18、进一步的，所述三级耦合深度学习模型内部设置有分桶专家预测单元，所述分桶专家预测单元包含多个结构相同但参数独立的lstm专家模型，各lstm专家模型分别针对不同的预测提前量区间进行预训练；

19、所述分桶专家预测单元通过一个轻量级门控神经网络生成融合权重，所述门控神经网络的输入为当前预测提前量和所述状态门控因子，输出为各lstm专家模型的权重向量，并通过softmax函数归一化，实现单一模型覆盖全预测跨度的平滑切换。

20、进一步的，所述物理一致性校正按照预设的串行顺序执行，所述串行顺序依次为：起点平滑过渡校正、出力变化速率限幅校正、梯级传播时滞约束校正、水量平衡约束校正、库容边界约束校正、长期趋势锚定校正、专家区间边界平滑校正、滑动窗口平滑校正、动态范围约束校正；

21、其中，所述起点平滑过渡校正位于首位，用于消除模型输出初始时刻与实测值之间的阶跃；所述出力变化速率限幅校正位于第二位，用于限制相邻时段出力变化率不超过水轮机组最大爬坡速率。

22、进一步的，所述概率出力曲线包含p10、p50、p90三个概率分位数；所述概率分位数通过所述三级耦合深度学习模型中的分位数回归输出层直接生成，所述分位数回归输出层采用pinball损失函数进行训练，且各所述概率分位数之间无交叉。

23、进一步的，所述多源基础数据还包括土壤湿度数据，所述土壤湿度数据来源于卫星遥感反演或陆面模式再分析产品，经时空插值和归一化处理后作为补充特征输入所述水文气象表征层。

24、第二方面，提供了一种融合水文气象大数据的水电中长期出力预测系统，包括：

25、数据获取模块，用于获取多源基础数据，所述多源基础数据包括气象大模型预报数据、河流水情监测数据、电站基础信息和梯级关联参数；

26、特征构建模块，用于对所述多源基础数据进行融合，构建流域装机加权面雨量特征；

27、模型构建模块，用于构建三级耦合深度学习模型，所述三级耦合深度学习模型包括依次连接的水文气象表征层、径流响应预测层和水电出力映射层，其中所述水电出力映射层内嵌梯级水库约束；

28、状态门控模块，用于根据当前水文状态生成状态门控因子，并通过所述状态门控因子动态调节所述三级耦合深度学习模型的内部权重和约束强度；

29、校正输出模块，用于对所述三级耦合深度学习模型的输出施加物理一致性校正，得到最终的概率出力曲线。

30、第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的一种融合水文气象大数据的水电中长期出力预测方法。

31、与现有技术相比，本发明具有以下有益效果：

32、1、本发明提供的一种融合水文气象大数据的水电中长期出力预测方法，通过构建包含水文气象表征层、径流响应预测层和水电出力映射层的三级耦合深度学习模型，并将梯级水库约束内嵌于出力映射层，同时根据当前水文状态生成状态门控因子动态调节模型内部权重和约束强度，最后施加物理一致性校正，实现了从气象大模型预报到概率出力曲线的全链条自动化预测。本发明将气象预报的不确定性沿水文状态表征、径流响应预测和出力映射三个层次物理一致地逐级传导，而非在输出端进行统计后处理。状态门控因子使同一套模型在不同水文状态下自动调整信息筛选偏好和约束强度，无需人工切换模型；物理一致性校正消除了预测曲线中的时序跳变、水量平衡违背和爬坡越限等问题。本发明解决了现有技术中气象预报、水文径流、水库调度和出力预测相互割裂导致的不确定性无法物理传导、单一模型无法覆盖汛枯全跨度、预测结果需大量人工修正才能用于调度交易的问题，实现了从数据输入到决策可用输出的全流程无人干预。

33、2、本发明通过按城市装机容量占比计算权重并归一化，使降雨特征与水电实际发电能力直接关联，克服了传统面积加权面雨量无法反映装机容量差异的缺陷，提高了特征工程与物理机理的一致性。此外，在径流响应预测层中采用物理引导lstm，其损失函数包含基于水量平衡方程的物理一致性惩罚项，强制模型学习流域入流、出流与库容变化之间的物理守恒关系。装机加权面雨量提供了更准确的降雨驱动输入，物理引导lstm确保了径流预测过程满足水量平衡规律，使径流预测在物理上可解释、可追溯。

34、3、本发明通过综合汛期信号和极端水文事件概率共同生成状态门控因子，其中综合汛期信号基于流量比值与水位超警程度的加权和计算，极端水文事件概率通过卫星遥感和集成学习分类器输出，实现了对汛期、枯水期、融雪期等不同水文状态的精准识别。在此基础上设置分桶专家预测单元，包含多个针对不同预测提前量区间预训练的lstm专家模型，并通过轻量级门控神经网络以当前预测提前量和状态门控因子为输入生成融合权重。这种门控融合机制将状态识别从输入特征层面提升至模型架构层面：状态门控因子动态调节各专家模型的贡献权重，使近端预测侧重实时水情，远端预测侧重季节趋势，同时在汛枯切换处实现平滑过渡。

35、4、本发明设计了物理一致性校正的串行顺序，其中起点平滑过渡校正消除初始时刻的阶跃，出力变化速率限幅校正限制爬坡速率，梯级传播时滞约束校正确保上下游出力时序符合水力延迟，水量平衡和库容边界约束校正强制满足物理守恒，长期趋势锚定校正防止远端偏离气候规律，专家区间边界平滑校正消除分桶切换跳变，滑动窗口平滑和动态范围约束校正去除噪声并限制物理边界。这九项校正并非独立后处理的简单堆叠，而是按照因果逻辑串行协同：只有先消除起点跳变，后续的速率限幅才有正确的基准；只有先满足水量平衡，库容边界约束才具有物理意义。在此基础上通过分位数回归输出层直接生成p10、p50、p90概率分位数，并采用分位数损失函数训练确保分位数无交叉，使概率区间直接来源于前端不确定性的物理传播。本发明最终输出达到时序物理一致、约束满足、概率区间合理的工程可用标准。