本發(fā)明屬于電力系統(tǒng)水資源調(diào)度與智能預(yù)測，涉及一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法、系統(tǒng)及存儲介質(zhì)。
背景技術(shù)：
1、高效率的大型電站水網(wǎng)是電力生產(chǎn)過程中最重要的水資源供應(yīng)系統(tǒng)，需要保持的運(yùn)行效率，其用水量情況將直接影響電站的運(yùn)行成本和發(fā)電效率，同時(shí)在生產(chǎn)中也需要對電站水網(wǎng)未來的用水量進(jìn)行預(yù)測和調(diào)度，滿足電站的高效排產(chǎn)。
2、水網(wǎng)用水量的傳統(tǒng)預(yù)測方法主要是基于水網(wǎng)的歷史數(shù)據(jù)進(jìn)行預(yù)測和調(diào)度，但在實(shí)際電力生產(chǎn)過程中，水網(wǎng)用水不僅會受到電站運(yùn)行負(fù)荷和機(jī)組運(yùn)行狀況的影響，還會受到氣候變化和季節(jié)性變化、以及電站附近水庫水位和河流流量等水資源儲備等因素的影。基于水網(wǎng)的歷史數(shù)據(jù)這一單一數(shù)據(jù)源的預(yù)測方法存在精度不高、響應(yīng)速度慢等嚴(yán)重問題，需要采用一些新的預(yù)測方法以高效獲得更加精準(zhǔn)的用水預(yù)測，提升電站水網(wǎng)用水預(yù)測的精度和時(shí)效性。
技術(shù)實(shí)現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)中的問題，本發(fā)明的目的在于提供一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法、系統(tǒng)及存儲介質(zhì)，能夠提升電站水網(wǎng)用水預(yù)測的精度和時(shí)效性，進(jìn)而有效地降低電站的運(yùn)行成本，并提高電站的發(fā)電效率。
2、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：
3、第一方面，本發(fā)明提供一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，包括以下步驟：
4、獲取影響電站水網(wǎng)用水的歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)；
5、對歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)進(jìn)行預(yù)處理；
6、基于預(yù)處理的數(shù)據(jù)構(gòu)建多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型；
7、基于歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型進(jìn)行訓(xùn)練和優(yōu)化，得到多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型；
8、采集影響電站水網(wǎng)用水的實(shí)時(shí)多源數(shù)據(jù)，將實(shí)時(shí)多源數(shù)據(jù)輸入到多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型中，獲得預(yù)測結(jié)果。
9、優(yōu)選的，所述多源數(shù)據(jù)包括電站負(fù)荷及發(fā)電數(shù)據(jù)、水資源儲備數(shù)據(jù)和氣候變化數(shù)據(jù)。
10、優(yōu)選的，所述對歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)進(jìn)行預(yù)處理的具體方法為：分析歷史電站負(fù)荷及發(fā)電數(shù)據(jù)、歷史水資源儲備數(shù)據(jù)和歷史氣候變化數(shù)據(jù)對歷史用水?dāng)?shù)據(jù)的敏感性，提取歷史多源數(shù)據(jù)對歷史用水?dāng)?shù)據(jù)的影響權(quán)重參數(shù)。
11、優(yōu)選的，所述預(yù)處理的數(shù)據(jù)在構(gòu)建多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型前進(jìn)行標(biāo)準(zhǔn)化處理。
12、優(yōu)選的，所述基于預(yù)處理的數(shù)據(jù)構(gòu)建多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型的具體方法為：基于權(quán)重參數(shù)使用長短期記憶網(wǎng)絡(luò)模型描述歷史用水?dāng)?shù)據(jù)與電站水網(wǎng)用水量的長期依賴關(guān)系，使用多層感知機(jī)融合模型描述電站負(fù)荷及發(fā)電數(shù)據(jù)、水資源儲備數(shù)據(jù)和氣候變化數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系；將長短期記憶網(wǎng)絡(luò)模型和多層感知機(jī)融合模型進(jìn)行融合，形成多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型。
13、優(yōu)選的，所述多層感知機(jī)融合模型的構(gòu)建方法為：基于權(quán)重參數(shù)使用第一多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型描述電站負(fù)荷及發(fā)電數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系，使用第二多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型描述水資源儲備數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系，使用第三多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型描述氣候變化數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系；將第一多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型、第二多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型和第三多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型融合形成多層感知機(jī)融合模型。
14、優(yōu)選的，所述基于歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型進(jìn)行訓(xùn)練和優(yōu)化的具體方法為：將歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)輸入多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型中進(jìn)行訓(xùn)練，通過交叉驗(yàn)證和網(wǎng)格搜索對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型進(jìn)行參數(shù)優(yōu)化。
15、優(yōu)選的，所述獲得預(yù)測結(jié)果后，將預(yù)測結(jié)果與實(shí)際電站水網(wǎng)用水量進(jìn)行對比，獲得誤差反饋，基于誤差反饋對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代優(yōu)化。
16、第二方面，本發(fā)明提供一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測系統(tǒng)，包括：
17、第一模塊：獲取影響電站水網(wǎng)用水的歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)；
18、第二模塊：對歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)進(jìn)行預(yù)處理；
19、第三模塊：基于預(yù)處理的數(shù)據(jù)構(gòu)建多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型；
20、第四模塊：基于歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型進(jìn)行訓(xùn)練和優(yōu)化，得到多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型；
21、第五模塊：采集影響電站水網(wǎng)用水的實(shí)時(shí)多源數(shù)據(jù)，將實(shí)時(shí)多源數(shù)據(jù)輸入到多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型中，獲得預(yù)測結(jié)果。
22、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法的步驟。
23、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
24、本發(fā)明通過將多源數(shù)據(jù)和用水?dāng)?shù)據(jù)進(jìn)行有效融合，能夠提供更加精準(zhǔn)的關(guān)鍵參數(shù)預(yù)測，進(jìn)而針對電站水網(wǎng)未來的用水量進(jìn)行精準(zhǔn)的預(yù)測，為電站水資源調(diào)度和管理提供科學(xué)依據(jù)；通過多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了提供短期和長期的水網(wǎng)用水預(yù)測，有助于電站水網(wǎng)系統(tǒng)實(shí)現(xiàn)實(shí)時(shí)調(diào)整水資源的調(diào)度，有效地避免水資源浪費(fèi)，降低電站的運(yùn)行成本，并提升電站的發(fā)電效率。
25、進(jìn)一步，本發(fā)明通過預(yù)測結(jié)果和電站的實(shí)時(shí)調(diào)度結(jié)果對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代優(yōu)化，不斷獲得最優(yōu)的發(fā)電負(fù)荷和水資源調(diào)度；同時(shí)減少了人工干預(yù)，提高了電站水資源管理的自動化和智能化水平。
1.一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述多源數(shù)據(jù)包括電站負(fù)荷及發(fā)電數(shù)據(jù)、水資源儲備數(shù)據(jù)和氣候變化數(shù)據(jù)。
3.根據(jù)權(quán)利要求2所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述對歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)進(jìn)行預(yù)處理的具體方法為：分析歷史電站負(fù)荷及發(fā)電數(shù)據(jù)、歷史水資源儲備數(shù)據(jù)和歷史氣候變化數(shù)據(jù)對歷史用水?dāng)?shù)據(jù)的敏感性，提取歷史多源數(shù)據(jù)對歷史用水?dāng)?shù)據(jù)的影響權(quán)重參數(shù)。
4.根據(jù)權(quán)利要求1所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述預(yù)處理的數(shù)據(jù)在構(gòu)建多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型前進(jìn)行標(biāo)準(zhǔn)化處理。
5.根據(jù)權(quán)利要求1所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述基于預(yù)處理的數(shù)據(jù)構(gòu)建多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型的具體方法為：基于權(quán)重參數(shù)使用長短期記憶網(wǎng)絡(luò)模型描述歷史用水?dāng)?shù)據(jù)與電站水網(wǎng)用水量的長期依賴關(guān)系，使用多層感知機(jī)融合模型描述電站負(fù)荷及發(fā)電數(shù)據(jù)、水資源儲備數(shù)據(jù)和氣候變化數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系；將長短期記憶網(wǎng)絡(luò)模型和多層感知機(jī)融合模型進(jìn)行融合，形成多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型。
6.根據(jù)權(quán)利要求1所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述多層感知機(jī)融合模型的構(gòu)建方法為：基于權(quán)重參數(shù)使用第一多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型描述電站負(fù)荷及發(fā)電數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系，使用第二多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型描述水資源儲備數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系，使用第三多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型描述氣候變化數(shù)據(jù)與電站水網(wǎng)用水量的關(guān)系；將第一多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型、第二多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型和第三多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型融合形成多層感知機(jī)融合模型。
7.根據(jù)權(quán)利要求1所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述基于歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型進(jìn)行訓(xùn)練和優(yōu)化的具體方法為：將歷史多源數(shù)據(jù)和歷史用水?dāng)?shù)據(jù)輸入多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型中進(jìn)行訓(xùn)練，通過交叉驗(yàn)證和網(wǎng)格搜索對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型進(jìn)行參數(shù)優(yōu)化。
8.根據(jù)權(quán)利要求1所述的一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測方法，其特征在于，所述獲得預(yù)測結(jié)果后，將預(yù)測結(jié)果與實(shí)際電站水網(wǎng)用水量進(jìn)行對比，獲得誤差反饋，基于誤差反饋對多源數(shù)據(jù)融合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代優(yōu)化。
9.一種多源數(shù)據(jù)融合的電站水網(wǎng)用水預(yù)測系統(tǒng)，應(yīng)用于權(quán)利要求1~8任一項(xiàng)所述的方法，其特征在于，包括：
10.一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-8任一項(xiàng)所述方法的步驟。