一种基于深度学习理论的梯级电站水力关系耦合方法与流程

1.本发明涉及水电运行技术领域，具体为一种基于深度学习理论的梯级电站水力关系耦合方法。


背景技术：

2.新电改第一批八大现货试点省份，已经开始现货市场的长周期试运行，在现货市场环境下，发电企业需要通过竞价，确定各自的市场出清电价价和成交出力。然而由于梯级电站间的水力联系，下游电站的中标结果受制于上游电站，容易造成下游电站实际发电能力和中标结果不匹配，使得中标结果难以执行或增加不必要弃水。因此，为平稳有序推进水电参与现货市场，充分利用各流域清洁水能资源，提高水电为主的电力现货市场运行管理水平，规避上下游梯级电站中标电量难以执行或造成清洁水电资源浪费等问题，迫切需要利用深度学习理论研究一种梯级电站水力关系耦合方法，构建起上游出库流量与下游入库流量的深度学习网络模型，研究梯级电站间的水力联系，为水电为主的电力现货市场运行提供重要技术支持。
3.本方案的目的在于提供一种基于深度学习理论的梯级电站水力关系耦合方法，构建起上游出库流量与下游入库流量的深度学习网络模型，研究梯级电站间的水力耦合关系，解决了水电为主的电力现货市场运行时，由于下游电站的中标结果受制于上游电站，容易造成下游电站实际发电能力和中标结果不匹配，使得中标结果难以执行，影响电力现货市场运行效率；或增加不必要弃水，导致清洁水能资源利用降低，影响清洁能源的并网消纳，进而影响“碳中和、碳达峰”战略的有序推进。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于深度学习理论的梯级电站水力关系耦合方法。
5.本发明的目的是通过以下技术方案来实现的：
6.一种基于深度学习理论的梯级电站水力关系耦合方法，包括以下步骤：
7.s1，基于互信息中的条件互信息理论进行输入因子的选取，执行步骤s2：
8.s2，构建第一模型，通过第一模型对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型，执行步骤s3；
9.s3，根据上游出库流量与下游入库流量的深度学习网络模型确定上下游梯级电站的水力耦合关系，基于上下游梯级电站的水力耦合关系确定下游电站的入库流量。
10.进一步的，所述第一模型是基于深度学习中卷积神经网络和长短时记忆网络的深度学习耦合网络构建的。
11.进一步的，所述步骤s1中，基于互信息中的条件互信息理论进行输入因子的选取包括以下步骤：
12.s31，确定待选取因子集x，执行步骤s32；
13.s32，计算x中每个因子与输出的条件互信息，即i(y；x
j
)(j＝1,2,
…
,s)，i(y；x
j
)值最大的情况下对应的x
j
最先被选取，执行步骤s33；
14.s33，根据上一个选取的被选因子已知条件下的条件互信息i(y；x
j
|x
i
)(i＝1,2,
…
j
‑
1,j 1
…
s)，选取该值最大对应的x
i
作为下一个被选因子，执行步骤s34；
15.s34，重复步骤s33，直到新加入的因子达到预先设定的信息增量阈值，停止循环，得到最终的输入因子集；
16.先确定所有待选取因子集x，然后计算每个因子与输出的条件互信息i(y；x
j
)(j＝1,2,
…
,s)，i(y；x
j
)值最大对应的x
j
最先被选取，再计算第二个因子在已选取的x
j
已知条件下的条件互信息i(y；x
j
|x
i
)(i＝1,2,
…
j
‑
1,j 1
…
s)，选取i(y；x
j
|x
i
)最大对应的x
i
作为下一个被选因子，依次类推，直到被选因子数目达到某个常数，停止循环，得到最终的输入因子集。基于选取的输入因子进行数据的归一化处理，将归一化后的数据输入卷积层和池化层进行重要信息提取、特征降维，经过全连接层后输入到lstm记忆单元当中，采用正则化方法进行模型的欠拟合、过拟合控制，经过多次迭代，最后输出训练后的上游出库流量与下游入库流量的深度学习网络模型，实现电力现货市场中上下游梯级电站水力关系的耦合计算。
17.进一步的，所述步骤s2中，对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型包括以下步骤：
18.s41,对选取的输入因子进行数据的归一化处理，执行步骤s42；
19.s42，将归一化后的数据输入第一模型的卷积层和池化层进行重要信息提取以及特征降维，将经过特征降维后的重要信息经过第一模型的全连接层后输入到第一模型的lstm记忆单元当中，所述重要信息是指影响梯级电站水力关系耦合网络的主要影响要素，所述lstm记忆单元是长短期记忆网络(long
‑
short time memory，lstm)，用于拟合上游电站出库流量和下游电站入库流量的耦合关系，执行步骤s43；
20.s43，采用正则化方法对第一模型进行欠拟合、过拟合控制，经过多次迭代(对梯级电站中上游电站的出库流量和下游电站的入库流量的耦合关系，进行相关参数的反复迭代训练和优化)，最后输出训练后的上游出库流量与下游入库流量的深度学习网络模型。
21.进一步的，所述步骤s41中，对选取的输入因子进行数据的归一化处理公式为：
[0022][0023]
式中，x
max
为序列中的最大值；x
min
为序列中的最小值。
[0024]
进一步的，步骤s42中，所述卷积层包括多个特征面，每个特征面中包括多个神经元，每个神经元通过卷积核与上层特征面对应，卷积核为一权值矩阵，所述卷积层用于识别输入层中输入因子的重要特征，所述池化层由多个特征面组成，所述卷积层与池化层两者的特征唯一对应，池化层用于将多维特征降低为低维特征。
[0025]
进一步的，步骤s42中，所述lstm记忆单元通过输入门、遗忘门和输出门三种门控单元记忆历史状态。
[0026]
进一步的，所述三种门控单元计算公式为：
[0027]
输入门计算公式：
[0028]
i
t
＝σ(w
xi
⊙
x
i
w
hi
⊙
h
t
‑1 b
i
)
[0029]
遗忘门计算公式：
[0030]
f
t
＝σ(w
xf
⊙
x
i
w
h
⊙
f
ht
‑
1 b
f
)
[0031]
c
t
＝f
i
⊙
c
t
‑1 i
t
⊙
tanh(w
xc
x
i
w
hc
h
t
‑1 b
c
)
[0032]
输出门计算公式：
[0033]
o
t
＝σ(w
xo
x
t
w
ho
h
t
‑1 b
o
)
[0034]
h
t
＝o
t
⊙
tanh(c
t
)
[0035]
式中：i为输入门，f为遗忘门，o为输入门，
[0036]
⊙
代表元素相乘，w为网络的权值矩阵、b为偏执向量，σ为sigmoid函数，x
i
为lstm隐藏层的输入，h
i
为输出，c
i
为记忆单元。
[0037]
本发明的有益效果是：
[0038]
1.基于互信息中的条件互信息理论，通过对待选取因子进行条件互信息计算，选取确定最终的输入因子集，为上下游梯级电站的水力耦合关系建模确定主要影响因子。
[0039]
2.基于选取的输入因子进行数据的归一化处理，将归一化后的数据输入卷积层和池化层进行重要信息提取、特征降维，经过全连接层后输入到lstm记忆单元当中，采用正则化方法进行模型的欠拟合、过拟合控制，经过多次迭代，最后输出训练后的上游出库流量与下游入库流量深度学习网络模型，为上下游梯级电站的水力耦合关系提供重要技术支撑。
[0040]
3.根据上游出库流量与下游入库流量的深度学习网络模型，确定上下游梯级电站的水力耦合关系，并结合上游电站的出库流量确定下游电站的入库流量，实现电力现货市场中上下游梯级电站水力关系的耦合计算。
附图说明
[0041]
图1为本发明的cnn
‑
lstm耦合模型训练过程图；
[0042]
图2为本发明的输入因子选取流程图；
[0043]
图3为本发明的卷积神经网络结构图；
[0044]
图4为本发明的lstm单元结构图。
具体实施方式
[0045]
下面结合本发明的附图1～4，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
[0046]
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0047]
一种基于深度学习理论的梯级电站水力关系耦合方法，包括以下步骤：
[0048]
s1，基于互信息中的条件互信息理论进行输入因子的选取，执行步骤s2：
[0049]
s2，构建第一模型，通过第一模型对输入因子进行数据处理得到上游出库流量与
下游入库流量的深度学习网络模型，执行步骤s3；
[0050]
s3，根据上游出库流量与下游入库流量的深度学习网络模型确定上下游梯级电站的水力耦合关系，基于上下游梯级电站的水力耦合关系确定下游电站的入库流量。
[0051]
进一步的，所述第一模型是基于深度学习中卷积神经网络和长短时记忆网络的深度学习耦合网络构建的。
[0052]
进一步的，所述步骤s1中，基于互信息中的条件互信息理论进行输入因子的选取包括以下步骤：
[0053]
s31，确定待选取因子集x，执行步骤s32；
[0054]
s32，计算x中每个因子与输出的条件互信息，即i(y；x
j
)(j＝1,2,
…
,s)，i(y；x
j
)值最大的情况下对应的x
j
最先被选取，执行步骤s33；
[0055]
s33，根据上一个选取的被选因子已知条件下的条件互信息i(y；x
j
|x
i
)(i＝1,2,
…
j
‑
1,j 1
…
s)，选取该值最大对应的x
i
作为下一个被选因子，执行步骤s34；
[0056]
s34，重复步骤s33，直到新加入的因子达到预先设定的信息增量阈值，停止循环，得到最终的输入因子集；
[0057]
先确定所有待选取因子集x，然后计算每个因子与输出的条件互信息i(y；x
j
)(j＝1,2,
…
,s)，i(y；x
j
)值最大对应的x
j
最先被选取，再计算第二个因子在已选取的x
j
已知条件下的条件互信息i(y；x
j
|x
i
)(i＝1,2,
…
j
‑
1,j 1
…
s)，选取i(y；x
j
|x
i
)最大对应的x
i
作为下一个被选因子，依次类推，直到被选因子数目达到某个常数，停止循环，得到最终的输入因子集。基于选取的输入因子进行数据的归一化处理，将归一化后的数据输入卷积层和池化层进行重要信息提取、特征降维，经过全连接层后输入到lstm记忆单元当中，采用正则化方法进行模型的欠拟合、过拟合控制，经过多次迭代，最后输出训练后的上游出库流量与下游入库流量的深度学习网络模型，实现电力现货市场中上下游梯级电站水力关系的耦合计算。
[0058]
进一步的，所述步骤s2中，对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型包括以下步骤：
[0059]
s41,对选取的输入因子进行数据的归一化处理，执行步骤s42；
[0060]
s42，将归一化后的数据输入第一模型的卷积层和池化层进行重要信息提取以及特征降维，将经过特征降维后的重要信息经过第一模型的全连接层后输入到第一模型的lstm记忆单元当中，执行步骤s43；
[0061]
s43，采用正则化方法对第一模型进行欠拟合、过拟合控制，经过多次迭代，最后输出训练后的上游出库流量与下游入库流量的深度学习网络模型。
[0062]
进一步的，所述步骤s41中，对选取的输入因子进行数据的归一化处理公式为：
[0063][0064]
式中，x
max
为序列中的最大值；x
min
为序列中的最小值。
[0065]
进一步的，步骤s42中，所述卷积层包括多个特征面，每个特征面中包括多个神经元，每个神经元通过卷积核与上层特征面对应，卷积核为一权值矩阵，所述卷积层用于识别输入层中输入因子的重要特征，所述池化层由多个特征面组成，所述卷积层与池化层两者的特征唯一对应，池化层用于将多维特征降低为低维特征。
[0066]
进一步的，步骤s42中，所述lstm记忆单元通过输入门、遗忘门和输出门三种门控单元记忆历史状态。
[0067]
进一步的，所述三种门控单元计算公式为：
[0068]
输入门计算公式：
[0069]
i
t
＝σ(w
xi
⊙
x
i
w
hi
⊙
h
t
‑1 b
i
)
[0070]
遗忘门计算公式：
[0071]
f
t
＝σ(w
xf
⊙
x
i
w
h
⊙
f
ht
‑
1 b
f
)
[0072]
c
t
＝f
i
⊙
c
t
‑1 i
t
⊙
tanh(w
xc
x
i
w
hc
h
t
‑1 b
c
)
[0073]
输出门计算公式：
[0074]
o
t
＝σ(w
xo
x
t
w
ho
h
t
‑1 b
o
)
[0075]
h
t
＝o
t
⊙
tanh(c
t
)
[0076]
式中：i为输入门，f为遗忘门，o为输入门，
[0077]
⊙
代表元素相乘，w为网络的权值矩阵、b为偏执向量，σ为sigmoid函数，x
i
为lstm隐藏层的输入，h
i
为输出，c
i
为记忆单元。
[0078]
本发明的实施原理为：先确定所有待选取因子集x，然后计算每个因子与输出的条件互信息i(y；x
j
)(j＝1,2,
…
,s)，i(y；x
j
)值最大对应的x
j
最先被选取，再计算第二个因子在已选取的x
j
已知条件下的条件互信息i(y；x
j
|x
i
)(i＝1,2,
…
j
‑
1,j 1
…
s)，选取i(y；x
j
|x
i
)最大对应的x
i
作为下一个被选因子，依次类推，直到被选因子数目达到某个常数，停止循环，得到最终的输入因子集。基于选取的输入因子进行数据的归一化处理，将归一化后的数据输入卷积层和池化层进行重要信息提取、特征降维，经过全连接层后输入到lstm记忆单元当中，采用正则化方法进行模型的欠拟合、过拟合控制，经过多次迭代，最后输出训练后的上游出库流量与下游入库流量的深度学习网络模型，实现电力现货市场中上下游梯级电站水力关系的耦合计算。
[0079]
以上所述仅是本发明的优选实施方式，应当理解所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。