[發明專利]一種基于神經網絡模型的電站水位過程預測方法及設備

有效

• 申請號: 202110589919.9
• 申請日: 2021-05-28
• 公開（公告）號: CN113256005B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 何滔;汪文元;王孝群;龍巖;汪廣明;盧玉龍;李理想
• 申請（專利權）人: 國能大渡河沙坪發電有限公司;河北工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/084;G06N3/048;G06N3/0499
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 于國富

1.一種基于神經網絡模型的電站水位過程預測方法，其特征在于，包括以下步驟：

S1)計算上游電站出庫流量到下游電站入庫流量的徑流演進時間，將所述上游電站出庫流量到下游電站入庫流量的徑流演進時間作為下游電站入庫流量的預測時長Δt；

S2)構建BP神經網絡模型，獲取電站歷史運行數據，將上一個預測時長Δt內的電站運行數據作為一組輸入變量序列并拼接為一個列向量，將所述列向量作為所述BP神經網絡模型的一個輸入樣本，所述BP神經網絡模型的目標輸出為下一個預測時長內的下游電站的壩前預測水位Z(t⁺)，對所述BP神經網絡模型進行訓練；

S3)獲取電站當前運行數據，將所述電站當前運行數據輸入至已訓練完成的BP神經網絡模型中，利用所述BP神經網絡模型輸出電站水位過程預測結果；

在步驟S1)中，計算上游電站出庫流量到下游電站入庫流量的徑流演進時間，包括以下步驟：

S11)獲取上游電站歷史出庫流量和下游電站水位變化過程，根據所述上游電站歷史出庫流量和所述下游電站水位變化過程計算下游電站入庫流量時間序列所述歷史出庫流量包括上游電站時段平均出庫流量所述下游電站水位變化過程包括水位-庫容曲線；通過水位-庫容曲線獲取時段初庫容V(H_t1)和時段末庫容V(H_t2)，通過計算獲得下游電站時段平均入庫流量dt為時段長度，dt＝t2-t1,t1、t2分別為每個時段的第一時刻和第二時刻；根據所述下游電站時段平均入庫流量獲得下游電站入庫流量時間序列

S12)根據上游電站歷史出庫流量獲取與所述下游電站入庫流量時間序列相對應時刻的上游電站出庫流量時間序列Q_out(t)，計算所述下游電站入庫流量時間序列與所述上游電站出庫流量時間序列Q_out(t)的互相關函數，所述互相關函數為x和y分別為需要進行互相關分析的兩個時間序列，y＝Q_out(t)，T為時間序列t的總長度，將所述互相關函數繪制成圖，圖中橫坐標表示兩個時間序列的延遲時間，縱坐標表示在相應延遲時間下兩個時間序列的相關性，當互相關函數取得最大值時，兩個時間序列的延遲時間為上游電站出庫流量到下游電站入庫流量的徑流演進時間；

在步驟S2)中，所述電站歷史運行數據包括上游電站的出庫流量Q_out(t^-)、下游電站的壩前水位Z(t^-)、下游電站機組的出力計劃N(t⁺)和下游電站閘門開度計劃G(t)。

2.根據權利要求1所述的基于神經網絡模型的電站水位過程預測方法，其特征在于，在步驟S2)中，還包括采集新的電站運行數據，設置更新時長，每隔更新時長利用所述新的電站運行數據對BP神經網絡模型進行訓練，不斷更新修正所述BP神經網絡模型。

3.根據權利要求1所述的基于神經網絡模型的電站水位過程預測方法，其特征在于，在步驟S2)中，對所述BP神經網絡模型進行訓練，所述BP神經網絡模型包括1個輸入層、1個輸出層和k個隱藏層，包括以下步驟：

S21)將上一個預測時長Δt內的電站運行數據作為一組輸入變量序列并拼接為一個列向量，所述列向量為X＝[x₁,...,x_i,...,x_n]，x_i表示第i個輸入數據，將所述列向量X＝[x₁,...,x_i,...,x_n]作為輸入所述BP神經網絡模型的輸入層，與所述輸入層連接的第1層隱藏層為的上標(1)表示第一個隱藏層的結果向量，為第一個隱藏層的權重系數矩陣，為第一個隱藏層的偏置項，f(·)為激活函數；

S22)經過k個隱藏層傳播數據后，所述輸出層的輸出預測結果為通過梯度下降和反向傳播算法逐步調整BP神經網絡模型的各個參數，采用均方誤差計算損失函數為神經網絡的目標輸出真實結果，N為輸出序列的長度。

4.根據權利要求3所述的基于神經網絡模型的電站水位過程預測方法，其特征在于，在步驟S21)中，所述激活函數采用sigmoid函數。

5.一種基于神經網絡模型的電站水位過程預測設備，其特征在于，所述基于神經網絡模型的電站水位過程預測設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于神經網絡模型的電站水位過程預測程序，所述基于神經網絡模型的電站水位過程預測程序被所述處理器執行時實現如權利要求1至4任一項所述的基于神經網絡模型的電站水位過程預測方法的步驟。