一种地区性水电站的日负荷预测方法、系统及介质

技术领域

本发明涉及水电调度技术，具体涉及一种地区性水电站的日负荷预测方法、系统及介质。

背景技术

随着电网规模不断扩大，地区网架结构、运行方式日益复杂和多样，与周边地区联系日趋紧密，地调与上级调度之间交互性工作与日俱增。当前，省中调仅能查看地区电网拓扑，无法实时获知电网潮流、设备状态等信息，仅依靠电话、DICP平台信息报送等有限手段沟通，在应对电网异常事件的时效性和准确度上都难以满足日益增长的工作需求。

带有水电站的地区一般而言会存在多个水电站，例如梅州地区是小水电富集的山区电网，小水电资源可观，其出力受季节来水及气候变化影响较大，目前小水电预测及调管模式落后，未能充分发挥应急顶峰能力，地区断面的潮流控制异常复杂。梅州地区用电负荷的持续攀升以及汇东电厂的投产发电，负荷需求和电力外送需求等问题交织，嘉雁线+嘉赞甲乙线、梅兴线+琴顺线等送电断面过载风险较大，中调调管的青溪电厂、枫树坝电站对梅州的几个重过载断面都有较大的协同控制能力，目前两个电厂因省地信息交互问题未能充分发挥顶峰作用，尚有较大潜力可挖掘。在实际运行中，梅州地调收集相关水电发电、地区负荷及转电路径等信息需要较长时间，与中调沟通效率较低，无形中也增加了风险存在时间。

目前对于包含多个水电站的地区性水电站日负荷预测是以单个水电站进行，由于忽略水电站之间的内在联系，导致现有的单个水电站进行的日负荷预测没有考虑水电站的相关性导致预测准确度仍然有所不足，还会导致地区整体日负荷预测的偏差，例如所有水电站全部的日负荷预测偏差为全部偏大，则会导致地区整体日负荷预测的偏差累积。若采用考虑水电站的相关性，则有望打破上述现状，克服地区整体日负荷预测的偏差累积的问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种地区性水电站的日负荷预测方法、系统及介质，本发明通过考虑上下游水电站的相关性来进行日负荷预测，针对独立的水电站单独进行日负荷预测，能够实现地区性水电站的日负荷预测，克服地区整体日负荷预测的偏差累积的问题，具有预测准确度高、预测速度快的优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种地区性水电站的日负荷预测方法，实施步骤包括：

1）获取该地区所有不含下游水电站的水电站，得到水电站集合；

2）从水电站集合中遍历选择一个目标水电站；

3）判断该目标水电站是否包含上游水电站，如果不包含上游水电站则跳转执行步骤4），如果包含上游水电站则跳转执行步骤5）；

4）针对该目标水电站进行日负荷预测得到目标水电站的预测日负荷，跳转执行步骤6）；

5）将目标水电站作为根节点，将目标水电站的所有上游水电站根据水流汇聚关系和根节点建立水电站结构树，从水电站结构树的叶节点出发逐级进行日负荷预测，且将子节点的预测日负荷或者实际日负荷作为上游负荷影响参与父节点的日负荷预测，最终完成作为根节点的目标水电站的日负荷预测；

6）判断水电站集合是否遍历完毕，如果尚未遍历完毕则跳转执行步骤2）；否则，将该地区包含目标水电站及其上游水电站在内的所有水电站的预测日负荷求和，从而得到该地区所有水电站的预测日负荷。

可选地，步骤4）的详细步骤包括：

4.1）获取目标水电站的预测日前一日的负荷特征，所述负荷特征包括：风力方向、风力等级、日降雨量最大值、降雨平均值累积等效量、区域植被覆盖率、是否为迎风坡、是否为盆地类型、山脉走向情况、人工增雨情况、河流深度、河流宽度、河流落差，其中风力方向以来自海洋方向为1、来自内陆方向为0，降雨平均值累积等效量为预测日前一日及其往前指定N日的降雨平均值的加权求和结果、且越远离预测日前一日权重越低，是否为迎风坡以为迎风坡为1、非迎风坡为0；是否为盆地类型以非盆地类型为1、盆地类型为0；山脉走向为山脉走向与来自海洋气流方向的夹角的余弦值，人工增雨情况以有人工增雨为1、无人工增雨为0，河流落差为河流指定距离内的落差；

4.2）将负荷特征输入预先训练好的机器学习模型，得到目标水电站的预测日负荷，所述机器学习模型被预先训练建立了负荷特征、目标水电站的预测日负荷之间的映射关系。

可选地，步骤5）中逐级进行日负荷预测时，对叶节点进行预测的步骤包括：获取叶节点的预测日前一日的负荷特征，将负荷特征输入预先训练好的机器学习模型，得到叶节点的预测日负荷。

可选地，步骤5）中逐级进行日负荷预测时，记中间节点或根节点为当前节点，对当前节点进行预测的详细步骤包括：

5.1）获取当前节点的预测日前一日的负荷特征，将负荷特征输入预先训练好的机器学习模型，得到当前节点的本地预测日负荷；

5.2）获取当前节点的上游节点集合；

5.3）从上游节点集合中遍历取出一个上游节点作为当前上游节点；

5.4）计算当前节点、当前上游节点之间的河道距离以及海拔高度差，根据河道距离以及海拔高度差计算出水流从当前上游节点流到当前节点的时间差范围；

5.5）将时间差范围不足一天，则将时间差范围内当前上游节点的预测日负荷采用指定的加权系数增加到当前节点的预测日负荷中；如果时间差超过一天，则将时间差范围内当前上游节点的实际日负荷采用指定的加权系数增加到当前节点的预测日负荷中；

5.6）判断上游节点集合是否遍历完毕，如果尚未遍历完毕则跳转执行步骤5.4）；否则，将最终得到的当前节点的预测日负荷作为最终结果返回。

可选地，所述机器学习模型为LightGBM模型。

此外，本发明还提供一种地区性水电站的日负荷预测系统，包括：

电站获取程序单元，用于获取该地区所有不含下游水电站的水电站，得到水电站集合；

遍历选择程序单元，用于从水电站集合中遍历选择一个目标水电站；

遍历判断程序单元，用于判断该目标水电站是否包含上游水电站，如果不包含上游水电站则跳转执行单节点日负荷预测程序单元，如果包含上游水电站则跳转执行多节点日负荷预测程序单元；

单节点日负荷预测程序单元，用于针对该目标水电站进行日负荷预测得到目标水电站的预测日负荷，跳转执行遍历循环程序单元；

多节点日负荷预测程序单元，用于将目标水电站作为根节点，将目标水电站的所有上游水电站根据水流汇聚关系和根节点建立水电站结构树，从水电站结构树的叶节点出发逐级进行日负荷预测，且将子节点的预测日负荷或者实际日负荷作为上游负荷影响参与父节点的日负荷预测，最终完成作为根节点的目标水电站的日负荷预测；

遍历循环程序单元，用于判断水电站集合是否遍历完毕，如果尚未遍历完毕则跳转执行遍历选择程序单元；否则，将该地区包含目标水电站及其上游水电站在内的所有水电站的预测日负荷求和，从而得到该地区所有水电站的预测日负荷。

此外，本发明还提供一种地区性水电站的日负荷预测系统，包括计算机设备，该计算机设备被编程或配置以执行所述地区性水电站的日负荷预测方法的步骤。

此外，本发明还提供一种地区性水电站的日负荷预测系统，包括计算机设备，该计算机设备的存储器中存储有被编程或配置以执行所述地区性水电站的日负荷预测方法的计算机程序。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述地区性水电站的日负荷预测方法的计算机程序。

和现有技术相比，本发明具有下述优点：

1、本发明获取该地区所有不含下游水电站的水电站，得到水电站集合，然后针对水电站集合中目标水电站，若不包含上游水电站，则针对该目标水电站单独进行日负荷预测得到目标水电站的预测日负荷；若包含上游水电站，则将目标水电站作为根节点，将目标水电站的所有上游水电站根据水流汇聚关系和根节点建立水电站结构树，从水电站结构树的叶节点出发逐级进行日负荷预测，且将子节点的预测日负荷或者实际日负荷作为上游负荷影响参与父节点的日负荷预测，最终完成作为根节点的目标水电站的日负荷预测；通过考虑上下游水电站的相关性来进行日负荷预测，针对独立的水电站单独进行日负荷预测，能够实现地区性水电站的日负荷预测，克服地区整体日负荷预测的偏差累积的问题，具有预测准确度高、预测速度快的优点。

2、本发明在水电站集合是否遍历完毕后将该地区包含目标水电站及其上游水电站在内的所有水电站的预测日负荷求和，可用于协助调控员建立小水电实时应急顶峰策略，改善以往基于经验的调度控制习惯，提升操作效率及调控效率。

3、本发明能够实现促进省地电网运行信息交互透明化，实现省地协同的关键断面控制手段，解决中调对于地调转供电、出力、调控等具体手段信息盲区问题，降低省地交互时间成本，提升协同工作效率。

附图说明

图1为本发明实施例方法的基本原理示意图。

图2为本发明实施例中水电站集合中的部分水电站分布图。

具体实施方式

如图1所示，本实施例地区性水电站的日负荷预测方法的实施步骤包括：

1）获取该地区所有不含下游水电站的水电站，得到水电站集合；图2所示为本实施例中水电站集合中的部分水电站分布图，其中A和B即为不含下游水电站的水电站；

2）从水电站集合中遍历选择一个目标水电站；

3）判断该目标水电站是否包含上游水电站，如果不包含上游水电站（例如图2中的水电站B）则跳转执行步骤4），如果包含上游水电站（例如图2中的水电站A）则跳转执行步骤5）；

4）针对该目标水电站进行日负荷预测得到目标水电站的预测日负荷，跳转执行步骤6）；

5）将目标水电站作为根节点，将目标水电站的所有上游水电站根据水流汇聚关系和根节点建立水电站结构树，从水电站结构树的叶节点出发逐级进行日负荷预测，且将子节点的预测日负荷或者实际日负荷作为上游负荷影响参与父节点的日负荷预测，最终完成作为根节点的目标水电站的日负荷预测；

6）判断水电站集合是否遍历完毕，如果尚未遍历完毕则跳转执行步骤2）；否则，将该地区包含目标水电站及其上游水电站在内的所有水电站的预测日负荷求和，从而得到该地区所有水电站的预测日负荷。

本实施例中，步骤4）的详细步骤包括：

4.1）获取目标水电站的预测日前一日的负荷特征，负荷特征包括：风力方向、风力等级、日降雨量最大值、降雨平均值累积等效量、区域植被覆盖率、是否为迎风坡、是否为盆地类型、山脉走向情况、人工增雨情况、河流深度、河流宽度、河流落差，其中风力方向以来自海洋方向为1、来自内陆方向为0，降雨平均值累积等效量为预测日前一日及其往前指定N日的降雨平均值的加权求和结果、且越远离预测日前一日权重越低，是否为迎风坡以为迎风坡为1、非迎风坡为0；是否为盆地类型以非盆地类型为1、盆地类型为0；山脉走向为山脉走向与来自海洋气流方向的夹角的余弦值，人工增雨情况以有人工增雨为1、无人工增雨为0，河流落差为河流指定距离内的落差；

4.2）将负荷特征输入预先训练好的机器学习模型，得到目标水电站的预测日负荷，机器学习模型被预先训练建立了负荷特征、目标水电站的预测日负荷之间的映射关系。

本实施例中，步骤5）中逐级进行日负荷预测时，对叶节点进行预测的步骤包括：获取叶节点的预测日前一日的负荷特征，将负荷特征输入预先训练好的机器学习模型，得到叶节点的预测日负荷。

本实施例中，步骤5）中逐级进行日负荷预测时，记中间节点或根节点为当前节点，对当前节点进行预测的详细步骤包括：

5.1）获取当前节点的预测日前一日的负荷特征，将负荷特征输入预先训练好的机器学习模型，得到当前节点的本地预测日负荷；

5.2）获取当前节点的上游节点集合；

5.3）从上游节点集合中遍历取出一个上游节点作为当前上游节点；

5.4）计算当前节点、当前上游节点之间的河道距离以及海拔高度差，根据河道距离以及海拔高度差计算出水流从当前上游节点流到当前节点的时间差范围；

5.5）将时间差范围不足一天，则将时间差范围内当前上游节点的预测日负荷采用指定的加权系数增加到当前节点的预测日负荷中；如果时间差超过一天，则将时间差范围内当前上游节点的实际日负荷采用指定的加权系数增加到当前节点的预测日负荷中；

5.6）判断上游节点集合是否遍历完毕，如果尚未遍历完毕则跳转执行步骤5.4）；否则，将最终得到的当前节点的预测日负荷作为最终结果返回。

本实施例中，机器学习模型为LightGBM模型。LightGBM是一个实现GBDT（梯度提升迭代决策树）算法的框架，解决GBDT训练大量数据困难的问题，并且在训练过程进行优化，提升了训练的效率。传统基于GBDT如Xgboost算法，是对特征进行预排序（pre-sorted），而LightGBM是采用直方图算法(histogram)。无论是pre-sorted算法还是histogram算法，都需要完整的遍历整个数据集，所以寻找切分点的时间复杂度都为O(#data*#feature)。在训练决策树计算切分点的增益时，预排序需要对每个样本的切分位置计算，所以时间复杂度是O(#data)，由于histogram将连续的特征值分桶(buckets)装进离散的箱子(bins)，计算时将样本离散化为直方图后的直方图切割位置的增益即可，时间复杂度为O(#bins)，#bins远小于#data，从而大大降低时间复杂度和内存的使用。LightGBM采用Leaf-wise的叶子生长策略，Leaf-wise是从当前所有的叶子中找分类增益最大的叶子结点进行分裂，避免对很多分裂增益低的叶子结点的搜索和分裂，而level-wise对每一层的节点都进行分割，相比level-wise更加高效。Leaf-wise采用最大深度限制，很好的限制了训练过程长出较深的决策树而产生的过拟合问题。计算某一节点的叶节点的直方图，可以通过将该节点的父亲节点直方图与兄弟节点的直方图做差得到，进一步加速计算。很多算法局限于对小批量的数据训练，本文采用基于histogram的LightGBM算法，降低了内存的使用，解决大批量数据训练困难的问题，在训练效率上大大提高，能较好的满足实时检测的需求。同时，LightGBM支持并行计算，有很好的扩展性，可以较好适应网络流量急剧增加的趋势。

本实施例中，负荷特征包括：风力方向、风力等级、日降雨量最大值、降雨平均值累积等效量、区域植被覆盖率、是否为迎风坡、是否为盆地类型、山脉走向情况、人工增雨情况、河流深度、河流宽度、河流落差，上述因子一起构成的向量的形式，例如：

{1,3,150,50,15,1,0,1,0,5,125,30}

分别表示：风力方向来自海洋方向，风力等级为3、日降雨量最大值为150mm、降雨平均值累积等效量50mm、区域植被覆盖率15%、是否为迎风坡为1、是否为盆地类型为0、山脉走向情况为1、人工增雨情况为0、河流深度5m、河流宽度125m、河流落差30m。

将上述向量中的各个因子分别进行归一化到[0,1]的区间，即可得到负荷特征。在使用LightGBM模型前，预先需要根据大量的负荷特征样板来对负荷特征进行训练，训练完毕之后即可得到训练好的LightGBM模型，建立了负荷特征、目标水电站的预测日负荷之间的映射关系。将负荷特征输入训练好的LightGBM模型，得到目标水电站的预测日负荷。

此外，本实施例还提供一种地区性水电站的日负荷预测系统，包括：

电站获取程序单元，用于获取该地区所有不含下游水电站的水电站，得到水电站集合；

遍历选择程序单元，用于从水电站集合中遍历选择一个目标水电站；

遍历判断程序单元，用于判断该目标水电站是否包含上游水电站，如果不包含上游水电站则跳转执行单节点日负荷预测程序单元，如果包含上游水电站则跳转执行多节点日负荷预测程序单元；

单节点日负荷预测程序单元，用于针对该目标水电站进行日负荷预测得到目标水电站的预测日负荷，跳转执行遍历循环程序单元；

多节点日负荷预测程序单元，用于将目标水电站作为根节点，将目标水电站的所有上游水电站根据水流汇聚关系和根节点建立水电站结构树，从水电站结构树的叶节点出发逐级进行日负荷预测，且将子节点的预测日负荷或者实际日负荷作为上游负荷影响参与父节点的日负荷预测，最终完成作为根节点的目标水电站的日负荷预测；

遍历循环程序单元，用于判断水电站集合是否遍历完毕，如果尚未遍历完毕则跳转执行遍历选择程序单元；否则，将该地区包含目标水电站及其上游水电站在内的所有水电站的预测日负荷求和，从而得到该地区所有水电站的预测日负荷。

此外，本实施例还提供一种地区性水电站的日负荷预测系统，包括计算机设备，该计算机设备被编程或配置以执行前述所述地区性水电站的日负荷预测方法的步骤。

此外，本实施例还提供一种地区性水电站的日负荷预测系统，包括计算机设备，该计算机设备的存储器中存储有被编程或配置以执行前述所述地区性水电站的日负荷预测方法的计算机程序。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述所述地区性水电站的日负荷预测方法的计算机程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。