一种发电站水流量预测方法、装置、设备及存储介质与流程

本发明涉及计算机，尤其涉及一种发电站水流量预测方法、装置、设备及存储介质。

背景技术：

1、水流量对水利发电厂的运行至关重要，其变化直接决定了水库蓄水量、发电机组的运行效率及电力输出稳定性。在不同的水文条件下，水流量的变化会影响发电厂的运作，特别是在枯水期，水流量减少可能导致发电能力下降，甚至停机；而在汛期，过大的水流量则可能造成溢洪或安全隐患，影响发电厂的正常运作。传统的水流量预测方法多依赖于历史数据和简单模型，往往难以应对复杂的气候和地理因素变化，特别是在应对极端天气事件和不确定环境条件时，预测准确率有待提高。

技术实现思路

1、为解决以上技术问题，本发明提供了一种发电站水流量预测方法、装置、设备及存储介质，能够提升发电站水流量预测的准确性与实时性。

2、本发明实施例提供了一种发电站水流量预测方法，包括：

3、获取若干水电站的地理数据与历史数据，所述历史数据包括水库水文数据、发电数据以及气象数据；

4、根据所述历史数据，提取每一水电站的典型水流曲线；

5、基于所述地理数据与所述历史数据，确定每一水电站对应的分类标签；其中，一个水电站有若干分类标签；

6、根据所述典型水流曲线、所述分类标签以及所述发电数据，生成每一水电站的用户画像；

7、基于所述用户画像和所述历史数据，构建基于深度学习的水流量预测模型；

8、获取待预测水电站的当前数据，并基于所述待预测水电站的用户画像与当前数据，采用所述水流量预测模型进行预测，得到所述待预测水电站的水流量预测结果。

9、作为上述方案的改进，所述水流量预测模型由卷积神经网络与长短期记忆网络组合得到。

10、作为上述方案的改进，所述水库水文数据包括：入库流量、水量、库容、库容水位；

11、所述发电数据包括：发电流量、输出电量、水头；

12、所述气象数据包括：流域实况降水量、水库实况降水量、气温、湿度。

13、作为上述方案的改进，所述基于所述地理数据与所述历史数据，确定每一水电站对应的分类标签，包括：

14、基于所述地理数据与所述历史数据，根据水流影响因素对水电站进行分类，得到每一水电站的初始分类标签；所述水流影响因素包括水流量、季节、降水量、气候类型与地理位置；

15、计算每一所述初始分类标签下的水电站数量；

16、对所述初始分类标签下的水电站数量小于预设的第一阈值的初始分类标签，进行相似领域标签聚合，确定最终的分类标签及其对应的水电站；

17、对所述初始分类标签下的水电站数量大于预设的第二阈值的初始分类标签，对该初始分类标签下的水电站的典型水流曲线进行聚类，得到聚类结果，并根据所述聚类结果确定最终的分类标签及其对应的水电站。

18、作为上述方案的改进，所述根据所述聚类结果确定最终的分类标签，包括：

19、计算水流量与所述气象数据的相关系数；

20、计算不同季节之间的所述典型水流曲线的第一曼哈顿距离；

21、计算不同水电站之间的所述典型水流曲线的第二曼哈顿距离；

22、根据所述相关系数、所述第一曼哈顿距离、第二曼哈顿距离中的一种或多种数据，对所述聚类结果进行优化，得到最终的分类标签。

23、作为上述方案的改进，所述基于所述用户画像和所述历史数据，构建基于深度学习的水流量预测模型，包括：

24、将所述历史数据与所述用户画像中的数据进行拼接，得到拼接数据；

25、将所述拼接数据输入基于深度学习的水流量预测模型进行模型训练，得到训练好的水流量预测模型。

26、作为上述方案的改进，所述基于所述用户画像和所述历史数据，构建基于深度学习的水流量预测模型，包括：

27、基于所述用户画像，从所述历史数据中筛选得到影响水流量预测的关键特征；其中，通过计算基尼系数进行所述关键特征的筛选；

28、将所述关键特征输入基于深度学习的水流量预测模型进行模型训练，得到训练好的水流量预测模型。

29、本发明实施例还提供了一种发电站水流量预测装置，包括：

30、数据获取模块，用于获取若干水电站的地理数据与历史数据，所述历史数据包括水库水文数据、发电数据以及气象数据；

31、水流曲线提取模块，用于根据所述历史数据，提取每一水电站的典型水流曲线；

32、分类标签确定模块，用于基于所述地理数据与所述历史数据，确定每一水电站对应的分类标签；其中，一个水电站有若干分类标签；

33、用户画像生成模块，用于根据所述典型水流曲线、所述分类标签以及所述发电数据，生成每一水电站的用户画像；

34、预测模型构建模块，用于基于所述用户画像和所述历史数据，构建基于深度学习的水流量预测模型；

35、水流量预测模块，用于获取待预测水电站的当前数据，并基于所述待预测水电站的用户画像与当前数据，采用所述水流量预测模型进行预测，得到所述待预测水电站的水流量预测结果。

36、本发明实施例还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现上述任一项所述的发电站水流量预测方法。

37、本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的发电站水流量预测方法。

38、相对于现有技术，本发明实施例提供的一种发电站水流量预测方法、装置、设备及存储介质的有益效果在于：通过获取若干水电站的地理数据与历史数据，历史数据包括水库水文数据、发电数据以及气象数据；根据历史数据，提取每一水电站的典型水流曲线；基于地理数据与历史数据，确定每一水电站对应的分类标签；根据典型水流曲线、分类标签以及发电数据，生成每一水电站的用户画像；基于用户画像和历史数据，构建基于深度学习的水流量预测模型，进而采用水流量预测模型进行水流量预测。本发明实施例能够自动学习流量变化的复杂规律，提供精准的水流量预测，实时性强，对于极端气候下的数据仍能保持良好的准确率。

技术特征：

1.一种发电站水流量预测方法，其特征在于，包括：

2.如权利要求1所述的发电站水流量预测方法，其特征在于，所述水流量预测模型由卷积神经网络与长短期记忆网络组合得到。

3.如权利要求1所述的发电站水流量预测方法，其特征在于，所述水库水文数据包括：入库流量、水量、库容、库容水位；

4.如权利要求1所述的发电站的水流量预测方法，其特征在于，所述基于所述地理数据与所述历史数据，确定每一水电站对应的分类标签，包括：

5.如权利要求4所述的发电站水流量预测方法，其特征在于，所述根据所述聚类结果确定最终的分类标签，包括：

6.如权利要求1所述的发电站水流量预测方法，其特征在于，所述基于所述用户画像和所述历史数据，构建基于深度学习的水流量预测模型，包括：

7.如权利要求1所述的发电站水流量预测方法，其特征在于，所述基于所述用户画像和所述历史数据，构建基于深度学习的水流量预测模型，包括：

8.一种发电站水流量预测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的发电站水流量预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如权利要求1至7中任意一项所述的发电站水流量预测方法。

技术总结
本发明公开了一种发电站水流量预测方法、装置、设备及存储介质，所述方法包括：获取若干水电站的地理数据与历史数据，历史数据包括水库水文数据、发电数据以及气象数据；根据历史数据，提取每一水电站的典型水流曲线；基于地理数据与历史数据，确定每一水电站对应的分类标签；根据典型水流曲线、分类标签以及发电数据，生成每一水电站的用户画像；基于用户画像和历史数据，构建基于深度学习的水流量预测模型；基于待预测水电站的用户画像与当前数据，采用水流量预测模型进行预测，得到待预测水电站的水流量预测结果。本发明能够提升发电站水流量预测的准确性。

技术研发人员：周翔宇,黄正韬,邓亚拓,翁军美,金佳倩,胡彬彬,陈勇,吴少佳,王慧芳,胡鑫威,郑华,叶俏莹,杨津威,陈卫涛,杨周阳,叶轩,纪定南
受保护的技术使用者：国网浙江省电力有限公司松阳县供电公司
技术研发日：
技术公布日：2025/2/20