本發明屬于水利工程與智能調度，具體涉及基于物理方法與深度學習耦合的水庫發電流量計算方法。

背景技術：

1、水庫作為調節流域水資源的重要設施，水庫的合理運行能夠有效提升水資源利用效率，保障電網穩定運行。準確預測水庫發電出力，對于優化電網調度、提升水能利用率以及實現可持續能源發展具有重要意義。

2、由于氣候變化、降水不確定性以及復雜的運行調度規則，傳統的水庫發電預測方法如物理統計模型、回歸分析及時間序列分析方法（如arima），在應對高度非線性、多變量耦合的水文過程時存在局限性，難以充分捕捉水庫系統的動態特征，導致預測精度受限。近年來，深度學習技術在水文和水利工程領域的應用取得了顯著進展，尤其是lstm神經網絡。lstm因其特殊的門控機制，能夠有效捕捉長時間序列數據的依賴關系，具有強大的時序數據建模能力。

技術實現思路

1、本發明旨在提高水庫發電出力預測的準確性，提出了基于物理方法與深度學習耦合的水庫發電流量計算方法，能用于優化水能利用效率。

2、為解決上述技術問題，本發明采用的技術方案是：

3、基于物理方法與深度學習耦合的水庫發電流量計算方法，包括：

4、步驟1，收集水庫歷史運行特征數據，包括水庫水位、入流量、發電出力以及發電流量，并進行數據清洗、剔除異常值和填補缺失數據；

5、步驟2，采用bfast方法分別對水庫水位、入流量以及發電出力數據進行分解，分別分解得到水庫水位、入流量以及發電出力的周期項、趨勢項和殘差項數據；

6、步驟3，以水庫水位和入流量的周期項、趨勢項和殘差項作為輸入變量，發電出力的殘差項為目標變量，構建并訓練深度學習模型，使模型學習發電出力殘差與輸入變量之間的時序關系；

7、步驟4，使用訓練好的深度學習模型預測發電出力殘差，并將預測出的殘差項與對應時段的周期項和趨勢項相加，得到水庫的總發電出力；

8、步驟5，基于水能發電轉換公式，將水庫的總發電出力轉換為發電流量。

9、進一步地，步驟1中所收集的水庫歷史運行特征數據為日尺度數據，以保證模型的時間分辨率和數據一致性。

10、進一步地，步驟2中采用bfast方法對發電出力、水庫水位以及入流量數據進行分解的原理是：

11、bfast?(breaks?for?additive?season?and?trend)?是一種用于時間序列分析的統計方法，主要用于檢測和監測時間序列中的結構性變化（斷點），特別是在具有季節性和趨勢成分的數據中。

12、bfast的數學表達形式為：

13、

14、其中，yt為時刻的實測值，tt為趨勢項，st為周期項，et為殘差項；

15、趨勢項是分段線性的，斷點設為…，并定義為?，則：

16、

17、其意思是每兩個相鄰斷點之間都有線性趨勢項，一共有m個斷點， j為其中一個斷點，，根據連續線性模型的截距和斜率，可以推導出檢測到的斷點之間突變的幅度方向以及漸變的斜率，斷點處突變的幅度由tt在相鄰兩個斷點和處的差值推導得出，即：

18、

19、斷點前后的漸變斜率分別為?和，斷點前后的截距分別為和。

20、季節斷點可能出現在與趨勢項中檢測到的斷點不同的時間，設季節斷點為，季節斷點一共有p個， j’為其中一個斷點，，并定義，則對于，假設：

21、

22、其中：s是季節性的周期，表示季節i和 j’的季節性效應參數，因此，當?時，連續s次的季節st的總和恰好為零，這確保了所有季節（包括季節?0）的季節性效應之和為零，這是季節性模型中常見的約束，以避免過度參數化。

23、季節性術語可以重新表示為：

24、

25、當 t在第 i季時， t=1，否則為0，因此，如果 t在第0季（即基準季），則 d t,i? -?d t,0 =-1；對于其他季節，當 t在季節 i≠0時， d t,i? -?d t,0 =1， d t,i d t,0都為季節性虛擬變量， d t,i表示時間??是否屬于季節???， d t,0表示時間???是否屬于季節0?。

26、水庫的發電出力通常表現出一定的周期性，這主要源于多個因素的影響。首先，水文條件的季節性變化直接影響水庫的入流量和水位。例如，在汛期，降雨量顯著增加，導致入流量上升，進而提升水庫的發電出力；而在旱季，入流量減少，發電出力隨之下降。其次，用電需求的季節性波動也會影響水庫發電出力。在夏季，尤其是高溫天氣時，電力需求大幅增加，水庫會根據需求變化進行調度，以最大化發電。此外，水庫的調度策略和運行管理對發電出力的周期性特征也具有重要影響，尤其是在梯級水庫系統中，不同水庫之間的聯動效應可能進一步影響其發電出力周期。因此，了解這些因素的作用機制對于準確模擬水庫的發電出力變化至關重要。出力殘差與水庫水位和入流量有關，但是由于出力殘差是不連續的，所以將水庫水位和入流量分解成季節、趨勢和殘差項來模擬，更能捕捉處理殘差的偶然性。

27、進一步地，步驟3中所述深度學習模型為lstm模型。

28、lstm深度學習模型的原理是：

29、lstm深度學習模型主要通過一個輸入門、一個輸出門和一個遺忘門來維持其狀態并調節細胞狀態結構中的信息流，主要通過以下公式來實現其功能：

30、遺忘門：決定當前時間步哪些過去的信息應該被遺忘，其計算公式如下：

31、

32、其中， f t表示遺忘門的輸出，是一個?0?到?1?之間的向量，表示保留或遺忘的比例，wf表示遺忘門的權重矩陣， h t-1為前一時間步的隱藏狀態， x t為當前時間步的輸入， b f為遺忘門的偏置向量，表示?sigmoid?函數，將輸出壓縮到?0?和?1?之間。

33、輸入門：輸入門決定哪些新的信息將被添加到細胞狀態，它分為兩個步驟：生成輸入門系數和候選記憶細胞狀態。

34、輸入門系數：

35、其中， w i表示輸入門的權重矩陣， b i表示輸入門的偏置向量，[????1,????]?是前一時刻的隱藏狀態?????1?和當前時刻的輸入?????的拼接。

36、候選記憶細胞狀態：

37、最終，輸入門的計算公式是：

38、

39、其中， i t表示輸入門的輸出，表示候選的細胞狀態，表示當前時間步的新信息，ct?為t時刻的細胞狀態，ct-1為t-1時刻的細胞狀態； w c是細胞狀態候選值的權重矩陣。

40、輸出門：輸出門控制從細胞狀態中提取哪些信息作為當前時間步的輸出，并更新隱藏狀態：

41、

42、其中，ot表示輸出門的輸出；ht表示當前時間步的隱藏狀態，作為下一時間步的輸入； wo?是輸出門的權重矩陣；????是輸出門的偏置項；tanh?是雙曲正切激活函數，將值壓縮到?[?1,1]?之間。

43、該模型的訓練和預測過程，不僅考慮了長期的季節性周期變化和趨勢，還有效處理了短期的波動和隨機噪聲；該模型為發電出力誤差模擬提供了有力工具，有助于揭示出力誤差的演變規律，并為調度優化提供更為精準的參考依據。

44、提高lstm模型學習性能的關鍵參數主要包括：隱藏層的數量、訓練輪次、隱藏層中的神經元數量、學習率以及批次大小，這些參數的選擇應根據數據集的特性進行調整，或通過實驗與優化來確定，以獲得最佳模型性能。

45、進一步地，步驟4中發電出力殘差模擬的性能通過系統性偏差bias和相關系數 r來評估，計算公式為：

46、

47、其中，?xs1是發電出力殘差模擬值，xo1是發電出力殘差實測值，和分別為發電出力殘差模擬值和實測值的均值，是實測值的時間序列數。

48、進一步地，步驟5中發電流量模擬的性能通過效率系數nse和相對誤差re來評估，計算公式為：

49、

50、其中，xs2是發電流量模擬值，xo2是發電流量實測值，和分別為發電流量模擬值和實測值的均值，是實測值的時間序列數。

51、進一步地，步驟5中基于水能發電轉換公式，將預測得到的水庫總發電出力轉換為發電流量q：

52、

53、其中，p是發電出力功率，是發電機的效率，是水的密度，是重力加速度，h是水頭，指水庫上游水位與下游水位之間的差異。

54、本發明的有益成果：

55、本發明的水庫發電預測方法，能夠有效捕捉水庫發電過程中的非線性動態特征，可以提高水庫發電出力預測的準確性，用于優化水能利用效率。