一种基于历史数据分析的长期水光资源联合预测方法与流程

1.本发明属于光伏发电技术领域，更具体地说，涉及一种基于历史数据分析的长期水光资源联合预测方法。


背景技术：

2.光伏发电、水力发电作为清洁、成熟的可再生能源发电形式越来越受人们关注，据国际可再生能源机构统计，2019年全球光伏总装机容量增加了580gw，水电总装机容量达1308gw。精准的径流预测能给水电站调度，水库防洪等提供重要的参考数据，由于光伏输出功率呈现间歇性和波动性，增加了其并网的难度，而辐照度对光伏输出功率的影响最大，因此精准的辐照度预测，对光伏发电有效利用、安全并网有着至关重要的作用。
3.对于辐照度预测，常用方法有利用bilstm和cnn等预测模型进行预测，或采用耦合模型进行预测；对于水资源预测，常用方法有结合去趋势波动分析方法、变分模态分解和lstm的日径流预测模型等。
4.现有的预测方法对于辐照量和径流量的预测是分开进行的，未有一种对水光资源进行联合预测的方法，且现有的预测方法对于辐照量和径流量的预测精度均有待提高。


技术实现要素：

5.为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种基于历史数据分析的长期水光资源联合预测方法，包括如下步骤：
6.s10、历史数据获取，获取目标水电站历史n年的月径流量数据及月总辐照量数据；
7.s20、典型水文年数据获取，获取目标水电站在五个典型水文年的月径流量数据及月总辐照量数据；
8.s30、初步预测，将s10获取的月径流量数据输入lstm神经网络模型，预测目标年度12个月的月径流量，将s10获取的月总辐照量数据输入lstm神经网络模型，预测目标年度12个月的月总辐照量；
9.s40、选取相似水文年，根据s20预测的目标年度月径流量数据计算目标年度总预测径流量y
pred
，并计算目标水电站在五个典型水文年的总径流量yi(i＝1，2，...，5)，然后计算总预测径流量y
pred
与目标水电站在各典型水文年的总径流量yi的差值ei＝|y
pred-yi|，取最小差值对应的典型水文年为相似水文年；
10.s50、相关性调整，根据相似水文年的月径流量数据与月总辐照量数据的相关性特点，对目标年度预测的月径流量数据与月总辐照量数据进行调整，使目标年度预测的月径流量数据与月总辐照量数据的相关性和相似水文年的相关性匹配；
11.s60、完成预测，经s50调整后的目标年度预测的月径流量数据与月总辐照量数据即为最终预测结果。
12.根据本发明实施例的基于历史数据分析的长期水光资源联合预测方法，可选地，步骤s20中，五个典型水文年为丰水年、偏丰水年、平水年、偏枯水年和枯水年，确定方法如
下：
13.选取一个径流保证率为10％的历史自然水文年为丰水年；
14.选取一个径流保证率为25％的历史自然水文年为偏丰水年；
15.选取一个径流保证率为50％的历史自然水文年为平水年；
16.选取一个径流保证率为75％的历史自然水文年为偏枯水年；
17.选取一个径流保证率为90％的历史自然水文年为枯水年。
18.根据本发明实施例的基于历史数据分析的长期水光资源联合预测方法，可选地，所述步骤s30中，lstm神经网络模型包括：
19.遗忘门f
t
，
20.f
t
＝sigm(wfx
t
ufh
t-1
bf)；
21.输入门i
t
，
22.i
t
＝sigm(wix
tuiht-1
bi)；
23.激活函数g
t
，
24.g
t
＝tanh(wfx
t
ufh
t-1
bf)；
25.当前时刻记忆单元状态c
t
，
26.c
t
＝f
t
·ct-1
i
t
·gt
；
27.输出门o
t
，
28.o
t
＝sigm(wox
t
u
oht-1
bo)；
29.lstm神经网络模型输出h
t
，
30.h
t
＝o
t
·
tanh(c
t
)；
31.其中，wf为上一时刻遗忘门输入权重，uf为上一时刻遗忘门输出权重，bf为上一时刻遗忘门偏置项，wi为上一时刻输入门输入权重，ui为上一时刻输入门输出权重，bi为上一时刻输入门偏置项，c
t-1
为上一时刻记忆单元状态，wo为上一时刻输出门输入权重，uo为上一时刻输出门输出权重，bo为上一时刻输出门偏置项，x
t
为当前输入的数据，h
t-1
为上一时刻的输出值。
32.根据本发明实施例的基于历史数据分析的长期水光资源联合预测方法，可选地，所述步骤s30具体包括：
33.s31、将历史n年的月径流量数据做为训练数据一d
′
train
，将历史n年的月总辐照量数据做为训练数据二d
″
train
，分别用于训练lstm神经网络模型；
34.s32、对训练数据一和训练数据二做标准化处理，得到标准化处理后的训练数据一ds
′
train
和标准化处理后的训练数据二ds
″
train
；
35.s33、创建lstm神经网络模型一和lstm神经网络模型二；
36.s34、在trainnetwork函数中输入标准化处理后的训练数据序列及lstm神经网络模型，训练lstm神经网络；
37.s35、用训练好的lstm神经网络模型一预测目标年度12个月的月径流量，得到预测数据一ds
′
pred
，用训练好的lstm神经网络模型二预测目标年度12个月的月总辐照量，得到预测数据二ds
″
pred
，分别对预测数据一和预测数据二去标准化。
38.根据本发明实施例的基于历史数据分析的长期水光资源联合预测方法，可选地，所述步骤s32的标准化处理步骤如下：
39.s321、获取平均值一μ
′
和平均值二μ
″
，
[0040][0041][0042]
其中n’为训练数据一d
′
train
的总个数，n”为训练数据二d
″
train
的总个数；
[0043]
s322、获取标准差一σ
′
和标准差二σ
″
，
[0044][0045][0046]
s323、获取ds
′
train
和ds
″
train
，
[0047]
ds
′
train
＝(d
′
train-μ
′
)/σ
′
；
[0048]
ds
″
train
＝(d
″
train-μ
″
)/σ
″
。
[0049]
根据本发明实施例的基于历史数据分析的长期水光资源联合预测方法，可选地，所述步骤s35的去标准化处理采用如下计算模型：
[0050]d′
pred
＝ds
′
pred
·
σ
′
μ
′
；
[0051]d″
pred
＝ds
″
pred
·
σ
″
μ
″
。
[0052]
根据本发明实施例的基于历史数据分析的长期水光资源联合预测方法，可选地，所述步骤s50具体包括：
[0053]
s51、分析获取相似水文年12个月的月径流量数据与月总辐照量数据的相关性规律；
[0054]
s52、目标年度预测的月径流量数据不变，根据相关性规律，对目标年度预测的月总辐照量数据中，不符合相关性规律的月份的月总辐照量进行调整，调整幅度为对应月份月总辐照量的10％，按对应的相关性规律选择增量调整或减量调整；
[0055]
s53、调整后的目标年度预测的月总辐照量数据不变，根据相关性规律，对目标年度月径流量数据中，仍不符合相关性规律的月份的月径流量进行调整，调整幅度为对应月份月径流量的20％，按对应的相关性规律选择增量调整或减量调整。
[0056]
本发明的基于历史数据分析的长期水光资源联合预测方法，利用lstm神经网络模型同时预测目标年度12个月份的月径流量和月总辐照量数据，并选取相似的典型水文年，根据对应相似水文年中月径流量和月总辐照量数据的相关性规律，对预测结果进行适应性的修正，最终的对月径流量及月总辐照量的预测精度都更高。
附图说明
[0057]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
[0058]
图1示出了本发明的lstm神经网络模型的单元示意图；
[0059]
图2示出了实施例2中预测数据图；
[0060]
图3示出了实施例2中相似水文年数据图；
[0061]
图4示出了实施例3中预测结果图；
[0062]
图5示出了实施例3中水电站a丰水年数据图；
[0063]
图6示出了实施例3中水电站a偏丰水年数据图；
[0064]
图7示出了实施例3中水电站a平水年数据图；
[0065]
图8示出了实施例3中水电站a偏枯水年数据图；
[0066]
图9示出了实施例3中水电站a枯水年数据图；
[0067]
图10示出了修改前后的预测数据、实际数据图；
[0068]
图11示出了本发明预测方法的流程图。
具体实施方式
[0069]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
[0070]
现有的关于水光资源的长期预测方法，均是分别对径流量与辐照量进行单独预测。
[0071]
申请人经过长期研究发现，由于径流和辐照资源都受降雨和温度的影响，二者具备一定的相关性，尤其是在长期资源数据中，二者的相关性表现更为明显，基于此发现，申请人提出了一种水光资源联合预测的方法，先利用同一种预测模型分别对目标年度月径流量和月总辐照量数据进行预测，以消除预测模型自身因素造成的月径流量和月总辐照量间相关性差异，然后选取与预测目标年度总径流量差值最小的典型水文年作为相似水文年，分析相似水文年的月径流量和月总辐照量的相关性规律，相似水文年的相关性规律对预测目标年度更有参考价值，利用此相关性规律，对预测的月总辐照量和月径流量数据分别进行修正，由此修正后，两种预测数据的预测精度均得到提高。
[0072]
实施例1
[0073]
本实施例的基于历史数据分析的长期水光资源联合预测方法，如图11所示，包括如下步骤：
[0074]
s10、历史数据获取，获取目标水电站历史n年的月径流量数据及月总辐照量数据，n为整数，且n≥5，n的取值越大，有利于提高后续的预测精度；
[0075]
s20、典型水文年数据获取，获取目标水电站在五个典型水文年的月径流量数据及月总辐照量数据，其中，五个典型水文年分别为丰水年、偏丰水年、平水年、偏枯水年和枯水年，通过如下方法确定：
[0076]
选取一个径流保证率为10％的历史自然水文年为丰水年；
[0077]
选取一个径流保证率为25％的历史自然水文年为偏丰水年；
[0078]
选取一个径流保证率为50％的历史自然水文年为平水年；
[0079]
选取一个径流保证率为75％的历史自然水文年为偏枯水年；
[0080]
选取一个径流保证率为90％的历史自然水文年为枯水年；
[0081]
自然水文年是指汛期的当月开始算往后的12个月，即6月1日至次年5月31日；
[0082]
s30、初步预测，将s10获取的月径流量数据输入lstm神经网络模型，预测目标年度12个月的月径流量，将s10获取的月总辐照量数据输入lstm神经网络模型，预测目标年度12
个月的月总辐照量；
[0083]
具体预测步骤为：
[0084]
s31、将历史n年的月径流量数据做为训练数据一d
′
train
，将历史n年的月总辐照量数据做为训练数据二d
″
train
，分别用于训练lstm神经网络模型；
[0085]
s32、对训练数据一和训练数据二做标准化处理，得到标准化处理后的训练数据一ds
′
train
和标准化处理后的训练数据二ds
″
train
；
[0086]
标准化处理如下，
[0087]
s321、获取平均值一μ
′
和平均值二μ
″
，
[0088][0089][0090]
其中n’为训练数据一d
′
train
的总个数，n”为训练数据二d
″
train
的总个数；
[0091]
s322、获取标准差一σ
′
和标准差二σ
″
，
[0092][0093][0094]
s323、获取ds
′
train
和ds
″
train
，
[0095]
ds
′
train
＝(d
′
train-μ
′
)/σ
′
；
[0096]
ds
″
train
＝(d
″
train-μ
″
)/σ
″
；
[0097]
s33、创建lstm神经网络模型一和lstm神经网络模型二；
[0098]
传统人工神经网络在数据序列中缺乏对时间相关性的考虑，因而无法捕捉到数据与时间的关系，而循环神经网络通过神经元的周期性连接实现输入，输出数据之间的映射关系，使每次输入对下一个输出有影响，从而保持了对数据特性的“记忆”，然而，循环神经网络不同网络层都共享一组权重和偏差，容易导致梯度“消失”或“爆炸”，因此，本实施例采用了lstm神经网络预测模型，作为循环神经网络的一种变种结构，lstm既有对短期输入敏感的状态h，又增加了保存长期的单元状态c，本实施例的lstm神经网络模型的单元示意图如图1所示，lstm内部主要有忘记阶段，选择记忆阶段和输出阶段，分别由遗忘门f
t
，输入门i
t
和输出门o
t
控制，具体如下：
[0099]
遗忘门f
t
，
[0100]ft
＝sigm(wfx
t
ufh
t-1
fb)；
[0101]
在忘记阶段，遗忘门的激活向量f
t
由值域为(0，1)的sigmoid激活函数计算，如果值为1，则保留，如果值为0，则忘记上一个时刻中不重要的信息；
[0102]
输入门i
t
，
[0103]it
＝sigm(wix
tuiht-1
bi)；
[0104]
激活函数g
t
，
[0105]gt
＝tanh(wfx
t
ufh
t-1
fb)；
[0106]
在选择记忆阶段，主要对输入x
t
进行选择记忆，激活函数g
t
和输入门i
t
决定哪些值
保存到当前时刻记忆单元状态c
t
；
[0107]
当前时刻记忆单元状态c
t
，
[0108]ct
＝f
t
·ct-1
i
t
·gt
；
[0109]
输出门o
t
，
[0110]ot
＝sigm(wox
t
u
oht-1
bo)；
[0111]
在输出阶段，输出门决定当前时刻记忆单元状态的输出值，由此得到lstm神经网络模型的输出h
t
；
[0112]
lstm神经网络模型输出h
t
，
[0113]ht
＝o
t
·
tanh(c
t
)；
[0114]
其中，wf为上一时刻遗忘门输入权重，uf为上一时刻遗忘门输出权重，bf为上一时刻遗忘门偏置项，wi为上一时刻输入门输入权重，ui为上一时刻输入门输出权重，bi为上一时刻输入门偏置项，c
t-1
为上一时刻记忆单元状态，wo为上一时刻输出门输入权重，uo为上一时刻输出门输出权重，bo为上一时刻输出门偏置项，x
t
为当前输入的数据，h
t-1
为上一时刻的输出值；
[0115]
本实施例在matlab中创建lstm神经网络，输入、输出均为一维，隐含层单元个数设置为n，设置最大迭代次数为m次，初始学习率为r，迭代m1次后降低学习率，学习下降因子为f，梯度阈值为g；
[0116]
本实施例初始创建的lstm神经网络模型一和lstm神经网络模型二相同；
[0117]
s34、在trainnetwork函数中输入标准化处理后的训练数据一、训练数据二及lstm神经网络模型一、lstm神经网络模型二，分别训练lstm神经网络；
[0118]
s35、用训练好的lstm神经网络模型一预测目标年度12个月的月径流量，得到预测数据一ds
′
pred
，用训练好的lstm神经网络模型二预测目标年度12个月的月总辐照量，得到预测数据二ds
″
pred
，分别对预测数据一和预测数据二采用如下计算模型去标准化：
[0119]d′
pred
＝ds
′
pred
·
σ
′
μ
′
；
[0120]d″
pred
＝ds
″
pred
·
σ
″
μ
″
；
[0121]
至此，完成步骤s30初步预测；
[0122]
s40、选取相似水文年，根据s20预测的目标年度月径流量数据计算目标年度总预测径流量y
pred
，并计算目标水电站在五个典型水文年的总径流量yi(i＝1，2，...，5)，然后计算总预测径流量y
pred
与目标水电站在各典型水文年的总径流量yi的差值ei＝|y
pred-yi|，取最小差值对应的典型水文年为相似水文年；
[0123]
s50、相关性调整，根据相似水文年的月径流量数据与月总辐照量数据的相关性特点，对目标年度预测的月径流量数据与月总辐照量数据进行调整，使目标年度预测的月径流量数据与月总辐照量数据的相关性和相似水文年的相关性匹配；
[0124]
相关性调整的具体步骤为：
[0125]
s51、分析获取相似水文年12个月的月径流量数据与月总辐照量数据的相关性规律；
[0126]
s52、目标年度预测的月径流量数据不变，根据相关性规律，对目标年度预测的月总辐照量数据中，不符合相关性规律的月份的月总辐照量进行调整，调整幅度为对应月份月总辐照量的10％，按对应的相关性规律选择增量调整或减量调整；
[0127]
s53、调整后的目标年度预测的月总辐照量数据不变，根据相关性规律，对目标年度月径流量数据中，仍不符合相关性规律的月份的月径流量进行调整，调整幅度为对应月份月径流量的20％，按对应的相关性规律选择增量调整或减量调整；
[0128]
s60、完成预测，经s50调整后的目标年度预测的月径流量数据与月总辐照量数据即为最终预测结果。
[0129]
实施例2
[0130]
本实施例示出了步骤s50中，进行相关性调整时，月总辐照量调整幅度10％及月径流量调整幅度为20％的依据。
[0131]
本实施例取某地区1999年～2018年的月径流量数据及月总辐照量数据分别输入到lstm神经网络模型中预测一年度12个月的月径流量和月总辐照量，如图2所示，通过计算预测年度年总径流量与该地区各典型水文年年总径流量的差值，得出该地区偏丰水年为相似水文年，该地区偏丰水年的月径流量及月总辐照量如图3所示，根据图3中月径流量及月总辐照量的相关性规律，对预测年度月径流量和月总辐照量进行调整，设置六组调整试验：
[0132]
试验一、预测年度月径流量不变，根据相关性规律，仅对预测年度不符合相关性规律的月份的月总辐照量进行调整，调整幅度为对应月份月总辐照量的5％，按对应的相关性规律选择增量调整或减量调整；
[0133]
试验二、预测年度月径流量不变，根据相关性规律，仅对预测年度不符合相关性规律的月份的月总辐照量进行调整，调整幅度为对应月份月总辐照量的10％，按对应的相关性规律选择增量调整或减量调整；
[0134]
试验三、预测年度月径流量不变，根据相关性规律，仅对预测年度不符合相关性规律的月份的月总辐照量进行调整，调整幅度为对应月份月总辐照量的15％，按对应的相关性规律选择增量调整或减量调整；
[0135]
试验四、预测年度月总辐照量不变，根据相关性规律，仅对预测年度不符合相关性规律的月份的月径流量进行调整，调整幅度为对应月份月径流量的10％，按对应的相关性规律选择增量调整或减量调整；
[0136]
试验五、预测年度月总辐照量不变，根据相关性规律，仅对预测年度不符合相关性规律的月份的月径流量进行调整，调整幅度为对应月份月径流量的15％，按对应的相关性规律选择增量调整或减量调整；
[0137]
试验六、预测年度月总辐照量不变，根据相关性规律，仅对预测年度不符合相关性规律的月份的月径流量进行调整，调整幅度为对应月份月径流量的20％，按对应的相关性规律选择增量调整或减量调整；
[0138]
试验一～三调整后的预测数据，与该年度的实际辐照度数据对比，并计算均方根误差rmse和平均绝对误差mae；试验四～六调整后的预测数据，与该年度的实际月径流量数据对比，并计算均方根误差rmse和平均绝对误差mae，得到结果如表1所示。
[0139]
表1.不同百分比下修正后的误差结果比较
[0140][0141]
从表1中可以看出，修正后的预测误差均比lstm直接预测误差小，由此验证了本技术的方法的有效性，径流调整大小为20％时平均rmse和mae最小，分别为2.42％和1.45％，辐照量调整大小为10％和15％时平均rmse和mae相同且最小，分别为0.89％和0.74％，因此，月径流量调整幅度取20％，月总辐照调整幅度取10％，利用此调整幅度修正后能获得最优的预测精度。
[0142]
实施例3
[0143]
本实施例采用基于历史数据分析的长期水光资源联合预测方法预测某地区水电站a的某年度径流和辐照度进行预测。
[0144]
本实施例采集水电站a1998年～2018年共十年的月径流量数据及月总辐照量数据，并用其训练lstm神经网络模型，然后根据训练好的模型预测某年度12个月的月径流量和月总辐照量，预测结果如图4所示。
[0145]
其中，创建的lstm神经网络模型一和lstm神经网络模型二中，隐含层单元个数n＝96*3，最大迭代次数m＝250次，m1＝125，初始学习率r＝0.005，学习下降因子为f＝0.2，梯度阈值g＝1。
[0146]
采集水电站a处五个典型水文年的月径流量及月总辐照量数据，丰水年数据如图5所示，偏丰水年数据如图6所示，平水年数据如图7所示，偏枯水年数据如图8所示，枯水年数据如图9所示。
[0147]
通过计算预测年度年总径流量y
pred
与各典型水文年总径流量yi，通过公式ei＝|y
pred-yi|，得出偏丰水年为相似水文年。
[0148]
对偏丰水年的月径流量与月总辐照量相关性进行分析，参照图6，偏丰水年6～8月份，径流量增大，辐照量减小，在6～8月份二者呈负相关；偏丰水年8～9月份，径流量减小，辐照量增大，在8～9月份二者呈负相关；偏丰水年9～10月份，径流量减小，辐照量减小，在9～10月份二者呈正相关；偏丰水年10～1月份，径流量减小，辐照量增大，在10～1月份二者呈负相关；偏丰水年1～2月份，径流量减小，辐照量减小，在1～2月份二者呈正相关；偏丰水年2～4月份，径流量先减小后增大，辐照量先增大后减小，在2～4月份二者呈负相关；偏丰水年4～5月份，径流量增大，辐照量增大，在4～5月份二者呈正相关。
[0149]
根据上述相关性规律，对图4中的预测结果进行调整，首先调整辐照量，月径流量不变，图4的预测结果中，6～7月份二者呈负相关，7～9月份二者呈负相关，而偏丰水年中7～9月份的相关性为负相关，因此需要对辐照量进行调整，预测结果中，7～9月份径流量减小，辐照量减小，在径流量不变情况下，要使二者相关性变为负相关，需要使7～9月份辐照量呈增加趋势，因此对8月、9月的辐照量增量处理，各增加10％的当月辐照量；同理，预测结果中，1～2月份二者呈负相关，而偏丰水年1～2月份的相关性为正相关，需要调整辐照量，图4中，1～2月份径流量减小，辐照量增大，在径流量不变的情况下，要使二者相关性变为正相关，需要使1～2月份辐照量减小，因此对2月的辐照量减量处理，减小10％的当月辐照量；
预测结果中，4～5月份二者呈负相关，而偏丰水年4～5月份相关性为正相关，需要调整辐照量，图4中，4～5月份径流量增大，辐照量减小，在径流量不变的情况下，要使二者相关性变为正相关，需要使4～5月辐照量增加，因此对5月份辐照量做增量处理，增加10％的当月辐照量，修正后的各月总辐照量如图10所示；
[0150]
然后对预测结果的月径流量进行调整，此时调整后的越总辐照量不变，图10可以看出，8～9月份，预测径流量和修正后的辐照量呈正相关，而偏丰水年8～9月份径流量和辐照量呈负相关，因此，需要对预测径流量进行调整，修正后8～9月份辐照量减小，在辐照量不变的情况下，要使二者相关性变为负相关，需要使8～9月份径流量增大，因此，先对9月份月径流量增量处理，增加20％当月径流量，此时还未达成8～9月径流量增大，再对8月份月径流量减量处理，减小20％当月径流量，由此实现8～9月份修正后月径流量与月总辐照量负相关，修正后的各月径流量如图10所示。
[0151]
修正前的预测数据、修正后的预测数据，与预测年度实际的月径流量、月总辐照量数据进行对比，并计算均方根误差rmse和平均绝对误差mae，结果如表2所示。
[0152]
表2.径流、辐照量预测结果比较
[0153][0154]
修正后，径流预测的rmse由2.01％降到了1.33％，mae由1.44％降到了1.02％；辐照预测的rmse由0.76％降到了0.62％，mae由0.68％降到了0.53％，由此表明，本发明的方法可有效提高径流及辐照预测精度。
[0155]
实施例4
[0156]
本实施例的计算机可读存储介质，用于存储非暂时性计算机可读命令，当非暂时性计算机可读命令由计算机执行时，实现本发明的基于历史数据分析的长期水光资源联合预测方法。
[0157]
本实施例所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
[0158]
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。