基于深度學(xué)習(xí)的水電站水流量和發(fā)電量預(yù)測(cè)技術(shù)

引 言

我國(guó)水力發(fā)電站數(shù)量眾多，基本上屬于無調(diào)節(jié)能力的徑流式水電站，這種水電站具有明顯的特殊性[1]，而河川徑流是由降雨形成，降雨又受到地理、氣候等不確定因素的影響，因此對(duì)水力發(fā)電站的水流量以及發(fā)電量進(jìn)行預(yù)測(cè)很有必要。水電站的主要運(yùn)行經(jīng)濟(jì)指標(biāo)是電量，其中水流量的多少將直接影響水電站的蓄水、棄水以及發(fā)電量。因此準(zhǔn)確預(yù)測(cè)出發(fā)電站的出水量的多少，將會(huì)對(duì)發(fā)電站的經(jīng)濟(jì)指標(biāo)產(chǎn)生很大影響，準(zhǔn)確的水位預(yù)測(cè)是水電站安全運(yùn)行和增發(fā)效益的關(guān)鍵。但受諸多因素的影響，水量預(yù)測(cè)常與實(shí)際情況發(fā)生較大偏差，導(dǎo)致發(fā)電計(jì)劃頻繁修改，不利于水電站安全、高效、穩(wěn)定地運(yùn)行。

大量學(xué)者針對(duì)水電站的水流量預(yù)測(cè)和發(fā)展預(yù)測(cè)提出了諸多方法。最早采取的是比較直觀也最為簡(jiǎn)單的回歸分析[2]，后來隨著信息技術(shù)的發(fā)展，為了追求更精準(zhǔn)的預(yù)測(cè)，有學(xué)者相繼提出了時(shí)間序列法、頻譜分析法以及隨機(jī)微分方程[3]。近年來灰色系統(tǒng)理論、神經(jīng)網(wǎng)絡(luò)理論等在水流量預(yù)測(cè)中都得到了應(yīng)用[4]。本文對(duì)華能旗下三個(gè)分別位于上、中、下游的水牛家、自一里、木座發(fā)電站收集了相關(guān)歷史時(shí)間序列數(shù)據(jù)，在對(duì)數(shù)據(jù)進(jìn)行一定預(yù)處理之后，采取了三個(gè)預(yù)測(cè)模型分別對(duì)其水流量和發(fā)電量進(jìn)行預(yù)測(cè)，并對(duì)其預(yù)測(cè)結(jié)果進(jìn)行比較，從而確定最優(yōu)預(yù)測(cè)模型。

1 水電站數(shù)據(jù)預(yù)測(cè)分析模型

1.1 數(shù)據(jù)介紹及描述分析

本文選取了水電站數(shù)據(jù)中的水牛家（裝機(jī)容量70MW）、自一里（裝機(jī)容量130MW）、木座（裝機(jī)容量100MW）三個(gè)水電站進(jìn)行屬性分析，通過建立時(shí)間序列預(yù)測(cè)模型，預(yù)測(cè)這三個(gè)水電站的發(fā)電量和來水量。通過對(duì)水電站的歷史數(shù)據(jù)進(jìn)行分析之后發(fā)現(xiàn)，三個(gè)水電站的發(fā)電量和水流量數(shù)據(jù)缺失率低，僅自一里水電站的發(fā)電量參數(shù)有一個(gè)缺失值。其中E_AMOUNT為每天的發(fā)電量，W_AMOUNT為每天的水流量，選擇完整數(shù)據(jù)集2008～2018年，并且對(duì)2018年進(jìn)行預(yù)測(cè)，2008～2017年數(shù)據(jù)為訓(xùn)練集。對(duì)收集到的數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)（表1）。

表1 水電站數(shù)據(jù)描述性統(tǒng)計(jì)

1.2 時(shí)間序列處理

時(shí)間序列指的是按照時(shí)間順序的一組數(shù)列，時(shí)間序列分析(Time-Series Analysis)是指將原來的數(shù)據(jù)分解為四部分來看——趨勢(shì)、周期、時(shí)期和不穩(wěn)定因素，然后綜合這些因素提出預(yù)測(cè)[5]。對(duì)收集到的水電站的時(shí)間序列數(shù)據(jù)進(jìn)行處理以便后續(xù)的模型分析（圖1、2）。

圖1 E_AMOUNT 原始時(shí)間序列圖

圖2 W_AMOUNT 原始時(shí)間序列圖

從原始的時(shí)間序列來看，三個(gè)水電站數(shù)據(jù)的時(shí)間跨度有重合的。通過對(duì)數(shù)據(jù)樣本進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)完整年數(shù)據(jù)總共10年（2008～2018年），訓(xùn)練數(shù)據(jù)選擇2008～2017年9年的數(shù)據(jù)，同過機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)建模，選擇最后一年2018年數(shù)據(jù)進(jìn)行預(yù)測(cè)模型測(cè)試。另外，從序列圖中可以發(fā)現(xiàn)W_AMOUNT參數(shù)存在較多的異常值。在對(duì)數(shù)據(jù)的時(shí)間序列進(jìn)行分析預(yù)測(cè)的時(shí)候，數(shù)據(jù)相對(duì)越平穩(wěn)越好，剔除掉異常值就是減少特殊狀況對(duì)數(shù)據(jù)的影響，從而使得最終預(yù)測(cè)結(jié)果越準(zhǔn)確。異常值采取先刪除，后插補(bǔ)的方式進(jìn)行處理。

2 時(shí)間序列數(shù)據(jù)預(yù)測(cè)建模

本主要數(shù)據(jù)預(yù)處理和預(yù)測(cè)建模流程如圖3，后續(xù)模型的預(yù)測(cè)選擇了三個(gè)水電站從2008～2018年的完整數(shù)據(jù)集，并且取2008～2017年為訓(xùn)練集、2018為預(yù)測(cè)集進(jìn)行模型的檢驗(yàn)，其中作為訓(xùn)練集的三個(gè)水電站各3653條數(shù)據(jù)，合計(jì)共10959條數(shù)據(jù)。

堅(jiān)持模型(persistent model)基本思路是把時(shí)間序列前一時(shí)刻的值作為當(dāng)前時(shí)刻的預(yù)測(cè)值，堅(jiān)持型模型作為最簡(jiǎn)單的預(yù)測(cè)模型可以作為基準(zhǔn)線，與其他預(yù)測(cè)算法比較準(zhǔn)確率，從而證明其他算法存在的必要性。運(yùn)用堅(jiān)持模型對(duì)水量和發(fā)電量的預(yù)測(cè)如圖4、5所示，文中僅以自一里水電站為例。

圖3 數(shù)據(jù)預(yù)測(cè)流程圖

圖4 自一里電量持續(xù)模型時(shí)間序列預(yù)測(cè)圖

圖5 自一里水流量持續(xù)模型時(shí)間序列預(yù)測(cè)圖

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型。LSTM(Long Short Term Memory Network)長(zhǎng)短期記憶網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），解決長(zhǎng)時(shí)間序列訓(xùn)練過程中的梯度消失和梯度爆炸問題,在時(shí)間序列預(yù)測(cè)問題上面有廣泛的應(yīng)用[6]。所有的RNN 都具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)叫问?。在?biāo)準(zhǔn)RNN 中這個(gè)重復(fù)的結(jié)構(gòu)模塊只有一個(gè)非常簡(jiǎn)單的結(jié)構(gòu)，例如一個(gè)tanh 層。LSTM 同樣是這樣的結(jié)構(gòu)，但是重復(fù)的模塊擁有一個(gè)不同的結(jié)構(gòu)。不同于單一神經(jīng)網(wǎng)絡(luò)層，LSTM 有四個(gè)，以一種非常特殊的方式進(jìn)行交互。從表2結(jié)果來看E_AMOUNT的預(yù)測(cè)誤差較大，W_AMOUNT 預(yù)測(cè)誤差較小。

極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）或超限學(xué)習(xí)機(jī)是一類基于前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neuron Network,FNN）構(gòu)建的機(jī)器學(xué)習(xí)系統(tǒng)或方法，適用于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)問題[7]。極限學(xué)習(xí)機(jī)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，隨機(jī)確定輸入權(quán)重和偏差，然后分析計(jì)算輸出權(quán)重。ELM的關(guān)鍵思想是將難以求解的非線性優(yōu)化問題,如輸入權(quán)重、隱層偏差、輸出權(quán)重的最優(yōu)化問題轉(zhuǎn)化為求解最優(yōu)輸出權(quán)重以簡(jiǎn)化運(yùn)算。而這意味著只要權(quán)重的

表2 LSTM模型誤差統(tǒng)計(jì)表

表3 ELM模型誤差分析表

圖6 X270電量ELM時(shí)間序列預(yù)測(cè)圖

圖7 X270水量ELM時(shí)間序列預(yù)測(cè)圖

標(biāo)準(zhǔn)足夠小,用戶就不必考慮所有的輸入和隱藏層權(quán)重,只需要關(guān)注輸出權(quán)重即可。這個(gè)想法和傳統(tǒng)的迭代學(xué)習(xí)方法（如梯度下降學(xué)習(xí)算法）是完全不同的。

3 結(jié)語

我國(guó)水電站的數(shù)量眾多，因此對(duì)水電站的流水量和發(fā)電量進(jìn)行預(yù)測(cè)，保證電力系統(tǒng)的穩(wěn)定運(yùn)行至關(guān)重要。本文通過對(duì)水電站收集相關(guān)歷史時(shí)間序列數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行一定預(yù)處理之后采用三種不同數(shù)據(jù)分析模型對(duì)其發(fā)電量和水流量進(jìn)行預(yù)測(cè)，三種算法各有其優(yōu)勢(shì)所在。運(yùn)用數(shù)據(jù)分析模型可以提高對(duì)水電站的預(yù)測(cè)，對(duì)水電能源的充分利用和對(duì)水電站的經(jīng)濟(jì)運(yùn)行以及設(shè)備檢修維護(hù)具有重要意義，該研究方法還可以用于電力系統(tǒng)短期負(fù)荷預(yù)報(bào)具有廣闊的應(yīng)用前景及實(shí)用價(jià)值。