一种梯级水电站群时空关联的短期出力预测方法及系统与流程
本发明涉及水电调度,更具体地说,它涉及一种梯级水电站群时空关联的短期出力预测方法及系统。
背景技术:
1、梯级水电站群短期出力预测是水电调度运行的关键环节,其准确性直接影响电网安全稳定运行和水资源利用效率。梯级水电站群上下游电站之间存在紧密的水力耦合关系,上游电站的出库流量经过一定时间的水流传播后成为下游电站的入库流量,这一水流传播时滞是梯级水电调度中最基本的物理约束。然而,在实际运行中,水流传播时滞并非固定常数,而是随着出库流量大小、河道槽蓄状态、区间入流变化以及调度策略调整等因素动态变化,呈现出显著的时变特性和概率分布特征。
2、现有的梯级水电站群短期出力预测方法主要包括物理模型方法和数据驱动方法。物理模型方法基于水力学方程和水量平衡原理进行模拟计算,虽然物理机理明确,但模型参数众多、计算复杂度高,且对边界条件和初始条件敏感,难以适应频繁变化的调度工况。数据驱动方法近年来发展迅速,特别是基于深度学习的方法,如循环神经网络、长短期记忆网络和图神经网络等,已被广泛应用于水电出力预测。然而,现有方法在处理梯级水电站群的时空关联时存在明显不足:一方面,大多数方法将上下游之间的水流传播时滞视为固定常数或简单线性关系,忽略了时滞随工况变化的动态特性和概率不确定性;另一方面,现有图神经网络方法通常采用静态图结构或基于简单相似度计算的动态图结构,未能将水流传播时滞的概率分布与图消息传递机制在算子层面进行深度融合,导致下游节点的状态更新时序与实际水流到达时序存在错位,从而限制了预测精度的进一步提升。
3、因此,如何研究设计一种能够克服上述缺陷的梯级水电站群时空关联的短期出力预测方法及系统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梯级水电站群时空关联的短期出力预测方法及系统,通过概率化时滞估计与动态图结构的深度融合,将传统方法中视为固定常数的水流传播时滞转化为随时间演变的概率分布,并以此指导图神经网络的消息传递时序,从根本上解决了梯级水电站群短期出力预测中因水流传播时滞动态变化导致上下游时空关联建模失准的问题,显著提升了预测模型对水力耦合关系的刻画精度,尤其在丰枯交替或调峰剧烈的工况下,能够自适应对齐上下游状态更新的时间窗口,避免因时滞错位引发的系统性预测偏差。
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,提供了一种梯级水电站群时空关联的短期出力预测方法,包括以下步骤:
4、获取梯级水电站群的多源时空数据,所述多源时空数据包括电站运行数据、水文气象数据、调度市场数据及静态拓扑数据;
5、基于所述多源时空数据,利用动态时间规整算法结合流量绝对值差异、流量变化率及经验时滞先验,提取上下游电站间的水流传播时滞样本,并通过copula函数分离边缘分布与依赖结构,结合贝叶斯更新机制,输出离散时间步上的时滞条件概率分布;
6、基于所述时滞条件概率分布,构建动态图邻接矩阵,所述动态图邻接矩阵融合静态物理拓扑、逐时段非线性依赖强度以及所述时滞条件概率分布,使得图消息传递过程中下游节点的状态更新时序与水流实际到达时序在算子层面对齐;
7、将所述动态图邻接矩阵输入至图神经网络,结合时序特征提取网络,输出各电站及站群总出力的短期预测值。
8、进一步的,所述构建动态图邻接矩阵,包括:
9、构建静态物理邻接矩阵,所述静态物理邻接矩阵基于上下游拓扑关系、装机容量与河段距离比值以及历史平均时滞的指数衰减因子确定;
10、利用可学习的节点嵌入与注意力机制,根据实时运行状态自适应计算动态数据邻接矩阵;
11、通过工况门控网络依据丰枯或调峰场景将所述静态物理邻接矩阵与所述动态数据邻接矩阵进行自适应融合,得到融合邻接矩阵;
12、将所述融合邻接矩阵与所述时滞条件概率分布进行逐元素相乘,得到表征上游节点在过去各离散时间步的状态以相应概率影响下游当前状态的时滞特征向量,作为所述动态图邻接矩阵。
13、进一步的,在输出各电站及站群总出力的短期预测值之前,还包括:
14、利用门控循环单元对电价、负荷及日前计划的多维时序数据进行调度驱动向量预测,协同利用随机森林建立的离线规则代理模型以及输出离散状态归一化概率的长短期记忆网络分类器对机组开机台数或闸门状态进行识别,得到总泄流量预测值;
15、基于所述总泄流量预测值、发电流量预测值和水头预测值,结合非线性机组效率曲线,计算各电站的物理出力先验;
16、将所述物理出力先验作为所述图神经网络和所述时序特征提取网络的输入或硬性边界约束。
17、进一步的,所述时序特征提取网络采用lstnet架构,所述lstnet架构包括:
18、一维卷积层,用于对输入的时间序列进行卷积,以提取局部短时出力波动特征;
19、门控循环单元循环层,其输入为所述一维卷积层的输出,用于学习跨日连续时间依赖;
20、跳跃门控循环单元层,其输入为所述一维卷积层的输出,以固定周期步长为间隔建立跳跃连接,用于提取长期周期性依赖模式;
21、全连接层,用于将所述门控循环单元循环层和所述跳跃门控循环单元层的输出进行线性组合;
22、线性自回归分量,用于对历史观测值进行线性加权求和,以保留数据的线性趋势和尺度特征;
23、所述lstnet架构的最终预测结果为所述全连接层的输出与所述线性自回归分量的输出之和。
24、进一步的,所述图神经网络采用msti-gnn架构,所述msti-gnn架构包括:
25、空间编码层,用于基于所述动态图邻接矩阵,分别对零阶自身节点特征、一阶直接上下游节点特征以及二阶和三阶跨级梯级间接影响节点特征进行加权聚合,并在聚合过程中引入所述时滞条件概率分布作为边权重,输出更新后的节点空间表示;其中,所述二阶和三阶跨级梯级间接影响节点特征通过所述动态图邻接矩阵的二阶和三阶幂运算获得;
26、时序卷积网络时间层,其输入为所述空间编码层的输出,用于通过因果膨胀卷积配合尺度注意力机制捕捉多尺度调度趋势;
27、多尺度时空交互模块,其输入为所述时序卷积网络时间层的输出,用于对局部与全局空间特征、短期与长期时间特征进行跨尺度交互融合,并利用残差连接保留原始信息。
28、进一步的,所述输出各电站及站群总出力的短期预测值,还包括:
29、利用多层感知机或门控注意力融合网络,将所述时序特征提取网络的输出、所述图神经网络的输出、物理出力先验以及下游入流传播预测结果进行融合;
30、将融合后的特征分别送入单站预测头和站群预测头,同步输出各电站未来h步的短期出力点预测值、站群总出力预测曲线,以及用于不确定性风险参考的多分位数预测区间。
31、进一步的,所述输出各电站及站群总出力的短期预测值之后,还包括:
32、若单站预测值之和与站群总出力预测值存在偏差,则根据各电站的装机容量和预测不确定性计算可信度权重,并基于所述可信度权重将所述偏差在各电站间进行自适应分配;
33、在偏差分配校正后,对出力预测值施加机组最大爬坡能力约束与出力边界限幅,利用滑动平均滤波消除非调度尖峰,同时保留由显式泄流和机组状态预测触发的真实调度突变。
34、进一步的,该方法还包括:
35、构建多任务联合损失函数,所述多任务联合损失函数由基于huber函数的单站步长加权点预测损失、约束单站预测值之和与站群总出力预测值一致的总量损失、基于水库水量平衡方程的水量平衡损失、惩罚出力预测值超出零或可用容量范围的边界损失、分位数损失以及防止过拟合的正则化项加权组合而成:
36、基于所述多任务联合损失函数对模型进行训练,使模型兼顾预测精度与水电运行物理规律。
37、进一步的,该方法还包括:
38、基于训练完成的预测模型和待解释的预测样本,采用shap可解释分析方法计算各输入特征对预测结果的贡献值;
39、根据所述贡献值,生成单站特征贡献排序图、站群总出力驱动归因图以及针对预测偏差超过预设阈值的异常诊断报告;
40、其中,所述异常诊断报告用于识别导致预测偏差的主导因素,包括来水错位、泄流误判、气象预报误差或机组约束变化。
41、第二方面,提供了一种梯级水电站群时空关联的短期出力预测系统,包括:
42、数据获取模块,用于获取梯级水电站群的多源时空数据,所述多源时空数据包括电站运行数据、水文气象数据、调度市场数据及静态拓扑数据;
43、时滞估计模块,用于基于所述多源时空数据,利用动态时间规整算法结合流量绝对值差异、流量变化率及经验时滞先验,提取上下游电站间的水流传播时滞样本,并通过copula函数分离边缘分布与依赖结构,结合贝叶斯更新机制,输出离散时间步上的时滞条件概率分布;
44、动图构建模块,用于基于所述时滞条件概率分布,构建动态图邻接矩阵,所述动态图邻接矩阵融合静态物理拓扑、逐时段非线性依赖强度以及所述时滞条件概率分布,使得图消息传递过程中下游节点的状态更新时序与水流实际到达时序在算子层面对齐;
45、预测输出模块,用于将所述动态图邻接矩阵输入至图神经网络,结合时序特征提取网络,输出各电站及站群总出力的短期预测值。
46、与现有技术相比,本发明具有以下有益效果:
47、1、本发明提供的一种梯级水电站群时空关联的短期出力预测方法,通过获取梯级水电站群的多源时空数据,利用动态时间规整算法结合流量绝对值差异、流量变化率及经验时滞先验提取上下游电站间的水流传播时滞样本,并通过copula函数分离边缘分布与依赖结构,结合贝叶斯更新机制输出离散时间步上的时滞条件概率分布,进而基于该时滞条件概率分布构建融合静态物理拓扑、逐时段非线性依赖强度以及时滞条件概率分布的动态图邻接矩阵,使得图消息传递过程中下游节点的状态更新时序与水流实际到达时序在算子层面对齐。本发明通过概率化时滞估计与动态图结构的深度融合,将传统方法中视为固定常数的水流传播时滞转化为随时间演变的概率分布,并以此指导图神经网络的消息传递时序,解决了梯级水电站群短期出力预测中因水流传播时滞动态变化导致上下游时空关联建模失准的问题,提升了预测模型对水力耦合关系的刻画精度,尤其在丰枯交替或调峰剧烈的工况下,能够自适应对齐上下游状态更新的时间窗口,避免因时滞错位引发的系统性预测偏差。
48、2、本发明通过构建静态物理邻接矩阵、利用可学习的节点嵌入与注意力机制自适应计算动态数据邻接矩阵、经工况门控网络依据丰枯或调峰场景将二者融合得到融合邻接矩阵,再将融合邻接矩阵与时滞条件概率分布逐元素相乘得到动态图邻接矩阵;同时,在预测前构建显式泄流预测模块,利用门控循环单元、随机森林离线规则代理模型和长短期记忆网络分类器协同预测总泄流量,进而结合发电流量和水头预测值以及非线性机组效率曲线计算各电站的物理出力先验,并将其作为图神经网络和时序特征提取网络的输入或硬性边界约束。一方面使图邻接矩阵既能继承物理拓扑的先验知识,又能根据实时运行工况动态调整连接强度,另一方面通过物理出力先验为深度学习模型提供水轮机发电规律的硬性约束,解决了纯数据驱动模型容易产生违反水电机理的不合理预测的问题,提高了预测结果在极端工况下的物理可信度和鲁棒性。
49、3、本发明采用lstnet架构作为时序特征提取网络,通过一维卷积层提取局部短时出力波动特征,门控循环单元循环层学习跨日连续时间依赖,跳跃门控循环单元层以固定周期步长为间隔提取长期周期性依赖模式,全连接层对上述两层输出进行线性组合,线性自回归分量保留数据的线性趋势和尺度特征;同时采用msti-gnn架构作为图神经网络,通过空间编码层基于动态图邻接矩阵对零阶自身节点特征、一阶直接上下游节点特征以及二阶和三阶跨级梯级间接影响节点特征进行加权聚合,并在聚合过程中引入时滞条件概率分布作为边权重,再经时序卷积网络时间层配合尺度注意力机制捕捉多尺度调度趋势,最后由多尺度时空交互模块对局部与全局空间特征、短期与长期时间特征进行跨尺度交互融合。本发明通过时序分支与空间分支的协同工作,解决了单一模型难以同时捕捉梯级水电站群复杂时空依赖的问题,实现了对多时间尺度波动规律和多空间尺度水力耦合关系的全面建模,有效提升了预测模型对调度规律和水文过程的表达能力。
50、4、本发明利用多层感知机或门控注意力融合网络将时序特征提取网络的输出、图神经网络的输出、物理出力先验以及下游入流传播预测结果进行融合,并将融合后的特征分别送入单站预测头和站群预测头,同步输出各电站未来h步的短期出力点预测值、站群总出力预测曲线以及用于不确定性风险参考的多分位数预测区间。本发明通过多模态特征融合机制,将物理机理信息、时空关联信息和入流传播信息有机整合,解决了单站预测与总出力预测不一致以及缺乏不确定性量化的问题,实现了从微观单站到宏观站群的层级预测,并为调度决策提供了10%、50%和90%分位数等概率区间参考,增强了预测结果在实际调度中的应用价值。
51、5、本发明构建了由基于huber函数的单站步长加权点预测损失、分位数损失、总量一致性损失、水量平衡损失、边界损失和正则化项加权组合而成的多任务联合损失函数,基于该损失函数对模型进行训练;在预测输出后,若单站预测值之和与站群总出力预测值存在偏差,则根据各电站的装机容量和预测不确定性计算可信度权重进行自适应分配,再施加机组最大爬坡能力约束与出力边界限幅,并利用滑动平均滤波消除非调度尖峰,同时保留由显式泄流和机组状态预测触发的真实调度突变。本发明通过多任务联合训练将物理规律嵌入模型优化过程,再通过后处理校正确保预测结果在统计精度、物理规律和调度实用性上的综合优化,解决了模型训练中多目标冲突和预测结果不符合实际调度约束的问题,减少了因预测不合理导致的调度风险。
52、6、本发明基于训练完成的预测模型和待解释的预测样本,采用shap可解释分析方法计算各输入特征对预测结果的贡献值,并根据贡献值生成单站特征贡献排序图、站群总出力驱动归因图以及针对预测偏差超过预设阈值的异常诊断报告,其中异常诊断报告用于识别导致预测偏差的主导因素,包括来水错位、泄流误判、气象预报误差或机组约束变化。本发明通过将合作博弈论中的shapley值引入梯级水电站出力预测领域,从单站、站群和异常诊断三个层面实现了预测结果的全方位可解释,解决了深度学习模型黑箱特性导致的预测结果难以信任和调试困难的问题,使调度人员能够直观理解预测结果的主要驱动因素,快速定位预测偏差的物理根源,从而提升了模型在实际生产环境中的可信度和辅助决策能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com