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

技术特征：
1.一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，包括如下步骤：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；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；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；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y
i
(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y
i
的差值e
i
＝|y
pred-y
i
|，取最小差值对应的典型水文年为相似水文年；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；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。2.根据权利要求1所述的一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，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：选取一个径流保证率为10％的历史自然水文年为丰水年；选取一个径流保证率为25％的历史自然水文年为偏丰水年；选取一个径流保证率为50％的历史自然水文年为平水年；选取一个径流保证率为75％的历史自然水文年为偏枯水年；选取一个径流保证率为90％的历史自然水文年为枯水年。3.根据权利要求1所述的一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，所述步骤s30中，lstm神经网络模型包括：遗忘门f
t
，f
t
＝sigm(w
f
x
t
u
f
h
t-1
b
f
)；输入门i
t
，i
t
＝sigm(w
i
x
t
u
i
h
t-1
b
i
)；激活函数g
t
，g
t
＝tanh(w
f
x
t
u
f
h
t-1
b
f
)；当前时刻记忆单元状态c
t
，c
t
＝f
t
·
c
t-1
i
t
·
g
t
；输出门o
t
，o
t
＝sigm(w
o
x
t
u
o
h
t-1
b
o
)；lstm神经网络模型输出h
t
，h
t
＝o
t
·
tanh(c
t
)；其中，w
f
为上一时刻遗忘门输入权重，u
f
为上一时刻遗忘门输出权重，b
f
为上一时刻遗
忘门偏置项，w
i
为上一时刻输入门输入权重，u
i
为上一时刻输入门输出权重，b
i
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，w
o
为上一时刻输出门输入权重，u
o
为上一时刻输出门输出权重，b
o
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。4.根据权利要求3所述的一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，所述步骤s30具体包括：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；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
；s33、创建lstm神经网络模型一和lstm神经网络模型二；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；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。5.根据权利要求4所述的一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，所述步骤s32的标准化处理步骤如下：s321、获取平均值一μ
′
和平均值二μ
″
，，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；s322、获取标准差一σ
′
和标准差二σ
″
，，s323、获取ds
′
train
和ds
″
train
，ds
′
train
＝(d
train-μ
′
)/σ
′
；ds
″
train
＝(d
″
train-μ
″
)/σ
″
。6.根据权利要求5所述的一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，所述步骤s35的去标准化处理采用如下计算模型：d
′
pred
＝ds
′
pred
·
σ
′
μ
′
；d
″
pred
＝ds
″
pred
·
σ
″
μ
″
。7.根据权利要求1所述的一种基于历史数据分析的长期水光资源联合预测方法，其特征在于，所述步骤s50具体包括：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；
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；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。

技术总结
本发明公开了一种基于历史数据分析的长期水光资源联合预测方法，属于光伏发电技术领域。方法包括：S10、历史数据获取；S20、典型水文年数据获取；S30、初步预测；S40、选取相似水文年；S50、相关性调整；S60、完成预测。本发明的预测方法，利用LSTM神经网络模型初步预测目标年度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，完成了对径流量、辐照量的联合长期预测，且有效提高了对两种资源的预测精度。预测精度。预测精度。


技术研发人员：郭苏 李大成 周建 阿依努尔 项华伟 江薇 吴峰 黄文波 田耘 许昌 张艳青 李旭 郑堃 吕艳军 段兴林 吴迪
受保护的技术使用者：中国电建集团贵阳勘测设计研究院有限公司 华能澜沧江水电股份有限公司 华能集团技术创新中心有限公司
技术研发日：2021.09.26
技术公布日：2022/1/21