[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

本發明涉及河道型水庫水量平衡計算領域，公開了一種基于神經網絡模型的電站水位過程預測方法及設備，包括將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；將上一個預測時長內的電站運行數據作為一組輸入變量序列輸入BP神經網絡模型，BP神經網絡模型輸出下一個預測時長內的下游電站的壩前預測水位，對BP神經網絡模型進行訓練；將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BP神經網絡模型輸出電站水位過程預測結果。本發明避免了直接采用靜態曲線而導致的誤差，不受靜態曲線變化的影響，提高了水位計算速度和計算精度，預測結果相比于傳統水量平衡模型精度更高。

技術領域

本發明涉及河道型水庫水量平衡計算技術領域，具體地涉及一種基于神經網絡模型的電站水位過程預測方法及設備。

背景技術

現有技術中，水庫的水量平衡計算對于檢驗水庫正常運行過程、進行區域水資源評價、制定水庫調度計劃具有重要意義。在傳統的水量平衡模型中，需要計算入庫流量和出庫流量，并將一定時段內的出入庫流量差作為庫容變化量，從而計算水位在時段末的變化。其中，入庫流量來源于上游梯級水庫的泄洪量以及上下游水庫之間的區間徑流量；出庫流量包括泄洪流量和發電流量，其中泄洪流量需要根據當前水位和閘門開度，根據堰流公式或閘孔出流公式計算，發電流量則需要根據上下游水位和機組出力計算；庫水位需要根據水位-庫容曲線計算；在上述計算中，涉及到水庫電站的幾個特性曲線包括水位-庫容關系曲線、機組N-H-Q曲線、閘門開度-水位-流量關系曲線、出庫流量-下游水位關系曲線等。這些曲線自身存在誤差或精度不足等問題，對于以往的水庫水量平衡計算以年、月、旬為計算的時間尺度，計算周期較長，只需考慮水量上大致平衡，因此可以使用這些曲線進行計算。然而，對于水庫庫容較小的徑流式電站，水庫調度需求的周期較短，且水位相對變化量大而頻繁，水位對于流量的變化較為敏感，加之上游流量變化導致水面波、閘門動作或機組工況變化導致水位波動等情況都可能導致實測水位偏差進而導致傳統水量平衡計算結果誤差，導致庫水位變化過程預測不準確。這一部分的誤差將直接影響電站實時調度決策，對于小庫容的徑流式電站，不適當的決策將在短時間內造成水位快速漲落，因此亟需一種更加合適的水位過程預測方法，以便于進一步制定更加合適的電站調度策略。

發明內容

本發明提供一種基于神經網絡模型的電站水位過程預測方法及設備，從而解決現有技術的上述問題。

第一方面，本發明提供了一種基于神經網絡模型的電站水位過程預測方法，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△t；

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△t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BP神經網絡模型輸出電站水位過程預測結果。

進一步的，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，根據上游電站歷史出庫流量和下游電站水位變化過程計算下游電站入庫流量時間序列歷史出庫流量包括上游電站時段平均出庫流量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