【技术实现步骤摘要】
本专利技术涉及一种抽水蓄能电站上游小流域流量预测方法。适用于水文预测领域。
技术介绍
1、抽水蓄能电站利用电力负荷低谷期的电能将水抽至水库，在用电高峰期释放水发电，从而平衡电力负荷，提高能源利用效率。抽水蓄能电站的运行效率和经济效益受到上游来水的直接影响。
2、准确计算抽水蓄能电站上游小流域的流量，对于电站的调度和优化运行至关重要。传统的流量预测方法是基于水文的物理过程来进行微分方程计算，通常需要准确的输入，而高精度的水文和气象站不能部署在偏远地区，且蒸发、入渗和地下水流等水文循环的组成部分难以测量。这意味着传统的流量预测方法不能应对抽水蓄能电站上游小流域的特殊性和复杂性，预测精度不高，无法满足抽水蓄能电站对流量预测准确性的要求。
技术实现思路
1、本专利技术要解决的技术问题是：针对上述存在的问题，提供一种抽水蓄能电站上游小流域流量预测方法。
2、本专利技术所采用的技术方案是：一种抽水蓄能电站上游小流域流量预测方法，其特征在于，包括：
3、获取抽水蓄能电站上游小流域当前的气象数据序列；
4、将当前的气象数据序列输入经训练的流量预测模型，得到流量预测值；
5、所述流量预测模型，包括：
6、气象-蓄水递归运算层，用于根据气象数据序列，通过递归运算，得到小流域蓄水增量；
7、蓄水-径流第一全连接运算层，用于通过线性运算，处理小流域蓄水增量，得到水动力特征序列；
8、蓄水-径流第二全连接运算层，
9、径流总量计算层，用于对多径流流量序列的元素求和，得到流量预测值。
10、所述气象-蓄水递归运算层，包括：
11、其中，s(n)为第n个单位时间的小流域蓄水增量；为第个单位时间的小流域蓄水增量；ri(n-k)为第n-k个单位时间的气象数据序列的第i元素；wi,k为第k阶第i加权更新系数；为第阶递归系数；n为更新阶数；m为递归阶数。
12、所述蓄水-径流第一全连接运算层，包括：
13、其中，λj为水动力特征序列的第j元素；ξ1,j为第一全连接层第j输出加权系数；s为小流域蓄水增量；b1,j为第一全连接层第j输出偏置系数；j为大于等于1且小于等于l的正整数，l为水动力特征序列的长度。
14、所述蓄水-径流第二全连接运算层，包括：
15、其中，qm为多径流流量序列中的第m径流流量；ξ2,m,j为第二全连接层第m输出第j输入加权系数；b2,m,j为第二全连接层第m输出第j输入偏置系数；m为大于等于1且小于等于p的正整数，p为多径流流量序列的长度。
16、所述气象数据序列包括单位时间降水总量、单位时间温度均值和单位时间湿度均值。
17、所述流量预测模型的训练，包括：
18、获取z个单位时间内的气象数据序列、抽水蓄能电站水库水增量、小流域实测流量；
19、将z个单位时间内的抽水蓄能电站水库水增量作为小流域实测蓄水增量，结合z个单位时间内的气象数据序列，对气象-蓄水递归运算层进行初训练；
20、根据z个单位时间内的气象数据序列和小流域实测流量，对流量预测模型进行整体训练。
21、初训练使用的目标函数为：
22、其中，l1为初训练使用的目标函数，sx为第x个单位时间对应的气象-蓄水递归运算层计算得到的小流域蓄水增量，sα,x为第x个单位时间对应的小流域实测蓄水增量。
23、整体训练使用的目标函数为：
24、其中，l2为整体训练使用的目标函数，q,x为第x个单位时间对应的预测的流量，q,α,x为第x个单位时间对应的小流域实测流量，为z个小流域实测流量的均值。
25、一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述抽水蓄能电站上游小流域流量预测方法的步骤。
26、一种抽水蓄能电站上游小流域流量预测设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述抽水蓄能电站上游小流域流量预测方法的步骤。
27、本专利技术的有益效果是：本专利技术通过流量预测模型基于气象数据序列进行流量预测，流量预测模型包括气象-蓄水递归运算层、蓄水-径流第一全连接运算层、蓄水-径流第二全连接运算层和径流总量计算层，通过气象-蓄水递归运算层根据气象数据序列得到小流域蓄水增量，通过蓄水-径流第一全连接运算层处理小流域蓄水增量，得到水动力特征序列，通过蓄水-径流第二全连接运算层处理水动力特征序列，得到多径流流量序列，通过径流总量计算层对多径流流量序列的元素求和，得到流量预测值。
28、本专利技术将时域的递归运算与气象数据序列中各因素的加权运算融合而成气象-蓄水递归运算层，构建了气象数据序列中各因素（降水、温湿度）与小流域蓄水增量的系统级微积分关系，有效地将水文物理过程复杂的参数标定，转换为了神经网络离散化运算的参数训练，简化预测过程，提升预测精度。
29、本专利技术将小流域的各条径流视为全连接神经网络结构的各个神经元，不需具体探明哪条径流属于地表径流、哪条径流属于地下径流，而是利用神经网络的模糊化训练机制，只需要让神经网络经过适当的训练环节，便可根据当前的小流域蓄水增量，预测准确的流量。
30、本专利技术通过神经网络对抽水蓄能电站上游小流域的气象数据进行递归运算分析，预测流量，相比于传统技术，不需要建立复杂的水文物理微分方程，不依赖于高精度的蒸发、入渗和地下水流等水文循环数据，只需通过机器学习训练便可适应于抽水蓄能电站上游小流域的特殊性和复杂性，具有良好的精度，满足抽水蓄能电站对流量预测准确性的要求。
31、小流域蓄水增量与水动力特征序列不同，是具有实际物理意义的关键参数，因此本专利技术中气象-蓄水递归运算层需要先一步进行有效训练，保障小流域蓄水增量的运算能逼近真实值，继而再进行整个神经网络的总体训练；在两个训练阶段，适宜地设置了不同的目标函数作为训练的衡量模型的预测输出与实际输出之间的差异，提高神经网络的训练效果。
本文档来自技高网...【技术保护点】
1.一种抽水蓄能电站上游小流域流量预测方法，其特征在于，包括：
2.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述气象-蓄水递归运算层，包括：
3.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述蓄水-径流第一全连接运算层，包括：
4.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述蓄水-径流第二全连接运算层，包括：
5.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于：所述气象数据序列包括单位时间降水总量、单位时间温度均值和单位时间湿度均值。
6.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述流量预测模型的训练，包括：
7.根据权利要求6所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，初训练使用的目标函数为：
8.根据权利要求6所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，整体训练使用的目标函数为：
9.一种存储介质，其上存储有能被处理器执行的计算机程序
10.一种抽水蓄能电站上游小流域流量预测设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1~8任意一项所述抽水蓄能电站上游小流域流量预测方法的步骤。
...【技术特征摘要】
1.一种抽水蓄能电站上游小流域流量预测方法，其特征在于，包括：
2.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述气象-蓄水递归运算层，包括：
3.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述蓄水-径流第一全连接运算层，包括：
4.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于，所述蓄水-径流第二全连接运算层，包括：
5.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特征在于：所述气象数据序列包括单位时间降水总量、单位时间温度均值和单位时间湿度均值。
6.根据权利要求1所述的抽水蓄能电站上游小流域流量预测方法，其特...
【专利技术属性】
技术研发人员：晏彪，董先勇，李见阳，师义成，周明，袁震洲，杜泽东，王启贵，秦蕾蕾，王正杰，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。