本發(fā)明涉及水電能源預(yù)測(cè)，尤其涉及基于深度數(shù)據(jù)融合的徑流式水電站發(fā)電量預(yù)測(cè)方法，適用于徑流式水電站的發(fā)電量預(yù)測(cè)。
背景技術(shù)：
1、徑流式水電站是一種利用河流自然流量進(jìn)行發(fā)電的設(shè)施，通常不設(shè)大型蓄水庫(kù)或僅有少量蓄水能力，是清潔能源的重要組成部分。然而，由于缺乏大規(guī)模的蓄水能力，徑流式水電站的發(fā)電量高度依賴于河流的自然流量，這使得發(fā)電量的預(yù)測(cè)變得尤為重要。準(zhǔn)確的發(fā)電量預(yù)測(cè)不僅有助于電網(wǎng)的調(diào)度和規(guī)劃，還能提高電力生產(chǎn)的經(jīng)濟(jì)效益和可靠性。
2、首先，徑流式水電站的發(fā)電量高度依賴自然來(lái)水條件，其不確定性是預(yù)測(cè)的主要挑戰(zhàn)。與常規(guī)水庫(kù)電站不同，徑流式電站缺乏調(diào)節(jié)能力，發(fā)電量直接受上游來(lái)水的實(shí)時(shí)變化影響，受降水量、氣溫、蒸發(fā)量等氣象因素及流域水文特性影響明顯，導(dǎo)致發(fā)電量波動(dòng)較大，預(yù)測(cè)難度顯著增加。傳統(tǒng)預(yù)測(cè)方法主要采用統(tǒng)計(jì)學(xué)模型，如時(shí)間序列分析、回歸分析以及基于流域水文過(guò)程的模型。這些方法操作簡(jiǎn)便，但往往依賴于歷史數(shù)據(jù)，難以捕捉氣候變化下復(fù)雜非線性關(guān)系，從而限制了預(yù)測(cè)精度。
3、其次，徑流式水電站的發(fā)電量受氣象條件、流域徑流量、水庫(kù)調(diào)度策略等多因素影響，具有強(qiáng)非線性和時(shí)變性。傳統(tǒng)預(yù)測(cè)方法難以充分挖掘氣象、水文及機(jī)組運(yùn)行數(shù)據(jù)間的復(fù)雜非線性關(guān)系，導(dǎo)致預(yù)測(cè)精度受限。傳統(tǒng)預(yù)測(cè)方法，如arima、svm，依賴人工特征工程，難以捕捉多源數(shù)據(jù)間的動(dòng)態(tài)關(guān)聯(lián)。近年來(lái)，深度學(xué)習(xí)技術(shù)，如lstm、tcn，在時(shí)序預(yù)測(cè)中展現(xiàn)出優(yōu)勢(shì)，但數(shù)據(jù)稀缺性和多模態(tài)融合仍是瓶頸。因此需要有效整合這些多源數(shù)據(jù)，并構(gòu)建高精度的發(fā)電量預(yù)測(cè)模型。
4、最后，盡管現(xiàn)有技術(shù)將多元線性回歸與最小二乘支持向量機(jī)相結(jié)合，通過(guò)利用徑流式小水電站的歷史數(shù)據(jù)來(lái)提高年發(fā)電量預(yù)測(cè)的準(zhǔn)確性。也有采用長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)模型，通過(guò)對(duì)時(shí)間序列進(jìn)行平穩(wěn)性和相關(guān)性檢驗(yàn)后構(gòu)建訓(xùn)練樣本，實(shí)現(xiàn)了較高的預(yù)測(cè)效果。但仍存在數(shù)據(jù)質(zhì)量差，模型泛化能力差，難以充分挖掘氣象、水文及機(jī)組運(yùn)行數(shù)據(jù)間的復(fù)雜非線性關(guān)系，預(yù)測(cè)及能力不足等問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、為解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的在于，解決上述缺陷，進(jìn)而提出基于深度數(shù)據(jù)融合的徑流式水電站發(fā)電量預(yù)測(cè)方法，經(jīng)過(guò)多層次數(shù)據(jù)融合技術(shù)，整合多源水文氣象數(shù)據(jù)，構(gòu)建高精度的發(fā)電量預(yù)測(cè)模型，解決傳統(tǒng)方法預(yù)測(cè)精度低、適應(yīng)性差的問(wèn)題。
2、本發(fā)明采用如下的技術(shù)方案。
3、基于深度數(shù)據(jù)融合的徑流式水電站發(fā)電量預(yù)測(cè)方法，包括如下步驟：
4、步驟s1，進(jìn)行數(shù)據(jù)層融合，整合多源水文氣象數(shù)據(jù)，從氣象站、水文站、衛(wèi)星遙感平臺(tái)和數(shù)值天氣預(yù)報(bào)系統(tǒng)獲取多源數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行清洗、插值、歸一化處理，進(jìn)行數(shù)據(jù)時(shí)空對(duì)齊。
5、步驟s2，進(jìn)行特征層融合，首先輸入統(tǒng)一時(shí)空基準(zhǔn)的多源數(shù)據(jù)集，進(jìn)行特征提取，基于自注意力機(jī)制進(jìn)行特征融合，并在深度學(xué)習(xí)模型中嵌入水量平衡方程，并獲取綜合特征向量。
6、步驟s3，進(jìn)行預(yù)測(cè)，輸入步驟s2中的綜合特征向量，使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)電量預(yù)測(cè)。
7、進(jìn)一步的，所述步驟s1中，具體包括：
8、步驟s11，數(shù)據(jù)時(shí)空對(duì)齊：
9、步驟s111，通過(guò)反距離加權(quán)法將衛(wèi)星遙感數(shù)據(jù)與地面監(jiān)測(cè)數(shù)據(jù)進(jìn)行空間對(duì)齊：
10、
11、其中，z(s0)為目標(biāo)網(wǎng)格值，d(s0,si)為站點(diǎn)到網(wǎng)格中心的距離，p為冪參數(shù)。
12、步驟s112，通過(guò)滑動(dòng)窗口聚合法進(jìn)行時(shí)間對(duì)齊，將衛(wèi)星遙感數(shù)據(jù)聚合到與每日的地面監(jiān)測(cè)數(shù)據(jù)一致的粒度，輸入原始時(shí)間序列數(shù)據(jù){(ti,vi)}及窗口參數(shù)窗口大小t，對(duì)每個(gè)目標(biāo)時(shí)間點(diǎn)t'j，定義時(shí)間窗口范圍為[t'j-t,t'j]，提取窗口內(nèi)所有原始數(shù)據(jù)點(diǎn){vi}，滿足t'j-t≤ti≤t'j，計(jì)算聚合值輸出對(duì)齊后的時(shí)間序列
13、步驟s12，訓(xùn)練由生成器和判別器組成的gan模型，輸入獲得的歷史水文氣象數(shù)據(jù)，由生成器生成合成數(shù)據(jù)，輸出統(tǒng)一時(shí)空基準(zhǔn)的多源數(shù)據(jù)集：
14、
15、其中，d(x)是判別器對(duì)真實(shí)數(shù)據(jù)的輸出，d(g(z))是判別器對(duì)生成數(shù)據(jù)的輸出。
16、進(jìn)一步的，所述步驟s2具體包括：
17、步驟s21，輸入統(tǒng)一時(shí)空基準(zhǔn)的多源數(shù)據(jù)集，通過(guò)3d-cnn提取衛(wèi)星遙感數(shù)據(jù)的空間特征，lstm提取地面時(shí)序數(shù)據(jù)的時(shí)序特征，transformer提取數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的氣象趨勢(shì)特征，具體包括：
18、步驟s211，輸入衛(wèi)星遙感數(shù)據(jù)屬于空間特征，其中h×w是空間分辨率，d是通道數(shù)，t是時(shí)間步長(zhǎng)，通過(guò)多層卷積和池化后提取空間特征張量其中t'是時(shí)間步長(zhǎng)，h×w是空間維度，d是特征通道數(shù)。
19、步驟s212，輸入地面時(shí)序數(shù)據(jù)屬于時(shí)序特征，其中t是時(shí)間步長(zhǎng)，f是特征維度，通過(guò)lstm單元捕獲流量、氣溫等時(shí)序依賴關(guān)系，獲得時(shí)序特征向量
20、步驟s213，輸入數(shù)值天氣預(yù)報(bào)數(shù)據(jù)屬于氣象趨勢(shì)特征，其中t是時(shí)間步長(zhǎng)，c氣象變量數(shù)，通過(guò)多頭注意力機(jī)制捕獲氣象變量的長(zhǎng)程依賴關(guān)系，獲得氣象趨勢(shì)特征向量
21、步驟s22，基于注意力機(jī)制動(dòng)態(tài)融合特征，具體包括：
22、步驟s221，計(jì)算注意力得分，使用自注意力機(jī)制計(jì)算特征之間的相互影響；首先將各模態(tài)特征hi投影到查詢、鍵和值空間：
23、qi＝wqhi,ki＝wkhi,vi＝wvhi
24、其中，wq,wk,wv為可學(xué)習(xí)的投影矩陣。
25、計(jì)算注意力得分其中，d是特征維度的縮放因子。
26、歸一化注意力分?jǐn)?shù)
27、步驟s222，計(jì)算融合特征hfused，使用注意力權(quán)重αij對(duì)值向量vj進(jìn)行加權(quán)求和:
28、hfused＝∑jαijvj。
29、步驟s23，嵌入水量平衡方程，包括：
30、步驟s231，輸入步驟s222得出的融合特征向量，通過(guò)全連接網(wǎng)絡(luò)進(jìn)行初始流量預(yù)測(cè)
31、步驟s232，定義水量平衡方程：
32、
33、其中，是入流量，δs(t)是蓄水量變化，通過(guò)注意力機(jī)制動(dòng)態(tài)學(xué)習(xí)物理修正項(xiàng)∈(t)，輸出流量預(yù)測(cè)值：
34、
35、水量平衡方程約束確保預(yù)測(cè)值符合物理規(guī)律，避免純數(shù)據(jù)驅(qū)動(dòng)的過(guò)擬合風(fēng)險(xiǎn)，流量預(yù)測(cè)結(jié)果能夠作為步驟s1中輸入的地面監(jiān)測(cè)數(shù)據(jù)，提高水電站發(fā)電量預(yù)測(cè)的精準(zhǔn)度。
36、進(jìn)一步的，所述步驟s3中，dnn模型架構(gòu)及訓(xùn)練，具體包括：
37、步驟s31，建立dnn模型框架，前向傳播，計(jì)算隱藏層hi及輸出層
38、輸入層輸入步驟s222得到的融合特征向量hfused，維度d，隱藏層包括多個(gè)全連接層，激活函數(shù)relu，批量歸一化dropout層，第i層隱藏層：
39、hi＝σ(wihi-1+bi)
40、其中，hi-1是上一層輸出，第一層輸入hfused，wi,bi是可訓(xùn)練參數(shù)，σ(·)是激活函數(shù)relu。
41、輸出層線性變換輸出預(yù)測(cè)值：
42、
43、其中，wout,bout是輸出層參數(shù)，hn是最后一層隱藏層的輸出。
44、步驟s32，訓(xùn)練dnn模型，計(jì)算損失函數(shù)loss：
45、
46、其中，yi是真實(shí)發(fā)電量，是dnn模型預(yù)測(cè)的發(fā)電量。
47、采用adam函數(shù)作為優(yōu)化器進(jìn)行訓(xùn)練，優(yōu)化目標(biāo)為更新w,b以最小化損失loss。
48、本發(fā)明的有益效果在于，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：
49、本發(fā)明提出了一種基于深度數(shù)據(jù)融合的徑流式水電站發(fā)電量預(yù)測(cè)方法，利用反距離權(quán)重插值idw方法將衛(wèi)星遙感數(shù)據(jù)與地面監(jiān)測(cè)數(shù)據(jù)進(jìn)行空間對(duì)齊，滑動(dòng)窗口聚合法進(jìn)行時(shí)間對(duì)齊，保證多源數(shù)據(jù)統(tǒng)一時(shí)空基準(zhǔn)；利用生成對(duì)抗網(wǎng)絡(luò)gan，生成合成數(shù)據(jù)，可有效緩解數(shù)據(jù)不足問(wèn)題，同時(shí)其對(duì)抗訓(xùn)練機(jī)制能增強(qiáng)模型對(duì)復(fù)雜分布的建模能力；基于注意力機(jī)制動(dòng)態(tài)融合特征，挖掘水文、氣象、遙感等數(shù)據(jù)的復(fù)雜交互，提高預(yù)測(cè)精度，降低計(jì)算復(fù)雜度；嵌入水量平衡方程，數(shù)據(jù)驅(qū)動(dòng)和基于物理的耦合模型提高了預(yù)測(cè)的精度。