小流域高精度氣象水情測報系統(tǒng)研究

張弘強，張軍，肖建紅，袁楷奕，田海平

(1．國網(wǎng)湖南省電力有限公司電力科學研究院，湖南 長沙 410208； 2．高效清潔發(fā)電技術湖南省重點實驗室，湖南 長沙 410208； 3．國網(wǎng)湖南省電力有限公司供電服務中心(計量中心)，湖南 長沙 410004； 4．中南大學計算機學院，湖南 長沙 410083)

0 引言

水電是清潔能源，在國家節(jié)能減排戰(zhàn)略和能源結(jié)構(gòu)轉(zhuǎn)型中扮演著重要地位，是實現(xiàn)碳達峰、碳中和目標的主要手段之一[1]。在保障生態(tài)基流的前提下，充分發(fā)揮小流域水電站發(fā)電潛能，對改善邊遠地區(qū)用電狀況、促進農(nóng)村經(jīng)濟發(fā)展、建設全面小康社會具有重要作用[2]。

但是，小水電主要分布在集水面積較小的流域上，此類流域通常屬于無資料或少資料流域，其內(nèi)部氣象和水文站點稀疏，難以獲取流域內(nèi)詳細準確的降水、蒸發(fā)、徑流等氣象水文數(shù)據(jù)[3]，且小電站管理無序、滯后，監(jiān)測數(shù)據(jù)質(zhì)量參差不齊，小水電的發(fā)電能力預測困難[4]。現(xiàn)階段，小流域只能根據(jù)經(jīng)驗調(diào)度圖或?qū)崟r來水信息進行調(diào)度，導致小水電實際發(fā)電量隨來水波動較大，汛期通常存在棄水，枯水期則難以保障河道生態(tài)流量，不利于電網(wǎng)電壓的均衡穩(wěn)定。此外，絕大多數(shù)小水電缺少高精度的氣象水文數(shù)據(jù)測報系統(tǒng)[5]，水情數(shù)據(jù)難以及時向小水電傳遞。

因此，本文研究并提出小流域高精度氣象水情測報系統(tǒng)，通過對多源異構(gòu)的降水、蒸發(fā)、徑流等氣象水情數(shù)據(jù)進行數(shù)據(jù)清洗和融合計算，構(gòu)建高精度的小流域基礎數(shù)據(jù)庫；并進一步對基于深度學習的地面與遙感氣象數(shù)據(jù)融合模型、基于遙感的流域水情監(jiān)測模型進行信息封裝與集成。通過在湖南省渫水流域進行數(shù)據(jù)質(zhì)量測試和適應性實驗，充分驗證了小流域高精度氣象水情系統(tǒng)的有效性，為小水電水文預報[6-7]、水電群優(yōu)化運行調(diào)度[8-9]等工作提供可靠的科學數(shù)據(jù)與信息平臺支撐。

1 系統(tǒng)架構(gòu)

小流域高精度氣象水情測報系統(tǒng)從下至上共有5層，分別為數(shù)據(jù)采集層、數(shù)據(jù)處理層、業(yè)務邏輯層、API接口層與前端顯示層。系統(tǒng)架構(gòu)如圖1所示。

圖1 小流域高精度氣象水情測報系統(tǒng)框架

1.1 數(shù)據(jù)采集層

數(shù)據(jù)采集層包含了為業(yè)務應用提供支撐的操作系統(tǒng)、中間件和數(shù)據(jù)庫(Docker容器、Redis、MySQL數(shù)據(jù)庫)[10]等。所采集數(shù)據(jù)涵蓋湖南省內(nèi)120個氣象站點的統(tǒng)計數(shù)據(jù)，以及電力部門供電、并網(wǎng)需求、電站的庫容-水位關系曲線、特征水位、下泄能力、發(fā)電流量等小水電基本信息。

1.2 數(shù)據(jù)處理層

數(shù)據(jù)處理層負責對數(shù)據(jù)采集層的數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)存儲和編碼轉(zhuǎn)換處理。其中數(shù)據(jù)清洗包括數(shù)據(jù)過濾與篩選，通過剔除冗余數(shù)據(jù)，減少數(shù)據(jù)規(guī)模，提高系統(tǒng)效率，節(jié)省存儲空間[11-12]；數(shù)據(jù)存儲指將清洗后的數(shù)據(jù)存儲到MySQL數(shù)據(jù)庫中，便于業(yè)務邏輯處理層讀??；編碼轉(zhuǎn)換處理包括對數(shù)據(jù)由JSON格式轉(zhuǎn)換成字符串，再統(tǒng)一采用UTF-8編碼存儲。

1.3 業(yè)務邏輯層

業(yè)務邏輯層包含了深度神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型結(jié)果展示、流域信息匯總、水電接口獲取、歷史數(shù)據(jù)處理等。業(yè)務邏輯層是對小流域高精度氣象水情測報系統(tǒng)的基礎數(shù)據(jù)庫與深度神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型進行集成處理。

1.4 API接口層

API接口層包含了水電站信息接口、氣象接口、云端接口等。API接口層主要包括國家電網(wǎng)有限公司(以下簡稱“國網(wǎng)”)水電站和氣象信息的API數(shù)據(jù)接口和系統(tǒng)部署在云端的API操作接口。借助API接口層，整個系統(tǒng)實現(xiàn)了前后端分離，各層之間解耦，各層借助API接口實現(xiàn)互相調(diào)用。

1.5 前端顯示層

前端顯示層包含了流域地圖展示、水電站地形信息展示、電站基本情況展示、氣象水文站點數(shù)據(jù)展示、流域基本信息數(shù)據(jù)展示、高精度氣象水情測報結(jié)果展示等。

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)采集

基礎數(shù)據(jù)包括靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)，其中靜態(tài)數(shù)據(jù)主要指水電站的各項基本參數(shù)，包括機組數(shù)量、裝機、單機最大引水流量、死水位和流域地形等。動態(tài)數(shù)據(jù)主要是流域內(nèi)氣象站的降水量、發(fā)電廠的水位數(shù)據(jù)、發(fā)電廠的發(fā)電量、發(fā)電廠的每月目標水位，以及模型預測的小時降水量和日蒸發(fā)量等數(shù)據(jù)。然后，以小水電展示數(shù)據(jù)需求的數(shù)據(jù)獲取頻度、業(yè)務規(guī)則、數(shù)據(jù)類型、數(shù)據(jù)存量、數(shù)據(jù)增量等信息為輸入，完成靜態(tài)與動態(tài)數(shù)據(jù)的系統(tǒng)接入。

2.2 數(shù)據(jù)清洗

一方面，為制作無資料流域的高精度氣象數(shù)據(jù)集，需通過地面雨量站點數(shù)據(jù)對降水、蒸發(fā)等網(wǎng)格數(shù)據(jù)進行校正[13-14]。另一方面，基于出力發(fā)電轉(zhuǎn)換關系、水位變化關系、電站基礎檔案等信息，制定小流域水電數(shù)據(jù)應用數(shù)據(jù)清洗、轉(zhuǎn)換規(guī)則，清洗無效數(shù)據(jù)，形成有效數(shù)據(jù)集。

數(shù)據(jù)清洗規(guī)則包括出力全天為空、出力超裝機容量、有出力無發(fā)電量、有發(fā)電量無出力、壩上水位低于壩下水位、水位超限制水位等6項規(guī)則。同時，針對小流域的氣象站點實測蒸發(fā)、降水數(shù)據(jù)進行收集制表，并使用網(wǎng)格點標記。圖2展示了湖南省渫水流域及模型校正點(實測站點)位置。

圖2 渫水流域水系及矯正點圖

2.3 數(shù)據(jù)格式轉(zhuǎn)換

清洗后的數(shù)據(jù)隨后進行格式轉(zhuǎn)換，調(diào)整為符合測報模型要求和統(tǒng)計需要的數(shù)據(jù)格式。數(shù)據(jù)清洗與讀取配置文件采用微軟的POI組件寫入Excel文件，其中，Workbook代表著一個Excel文件，Sheet代表著Workbook中的一個表格，Row代表Sheet中的一行，而Cell代表著一個單元格。HSSFWorkbook對應.xls文件，兼容Office 1997—2003版本。XSSFWorkbook對應.xlsx文件，兼容Office 2007以上版本。

系統(tǒng)中Excel文件的讀取采用開源組件easyexcel[15]。因為其他Java解析、生成Excel的主流框架(如Apache POI和jxl)都存在十分耗內(nèi)存的問題。而easyexcel解析所需內(nèi)存較少，且不會出現(xiàn)內(nèi)存溢出等問題。數(shù)據(jù)解析流程如圖3所示。

圖3 數(shù)據(jù)解析流程

2.4 數(shù)據(jù)整理

根據(jù)數(shù)據(jù)來源分別通過系統(tǒng)接口、工具配置、服務調(diào)用、協(xié)同計算、文件傳遞等方法從內(nèi)部數(shù)據(jù)層級、外部各應用系統(tǒng)獲取所需數(shù)據(jù)，并按照流域小水電數(shù)據(jù)應用的業(yè)務規(guī)則對獲取數(shù)據(jù)進行融合處理。數(shù)據(jù)整理流程如圖4所示。

1)數(shù)據(jù)接入與分析。首先將氣象水情和發(fā)電數(shù)據(jù)等存入數(shù)據(jù)庫；隨后通過設置數(shù)據(jù)接口，對接系統(tǒng)內(nèi)部數(shù)據(jù)云上更新的流域地形、水電站出入水量等水電站基礎信息，通過數(shù)據(jù)分類、地區(qū)統(tǒng)計、數(shù)據(jù)分析等整理出各地區(qū)電站高精度氣象數(shù)據(jù)、小水電實時調(diào)度出力數(shù)據(jù)等；最后基于特征提取，構(gòu)建異常數(shù)據(jù)表，并對冗余和缺失數(shù)據(jù)進行清洗和過濾，由此構(gòu)建清洗后的小流域基礎數(shù)據(jù)庫。

2)模型集成與數(shù)據(jù)預測。通過集成深度神經(jīng)網(wǎng)絡融合模型[16]，對接模型的輸入輸出數(shù)據(jù)；通過模型計算和數(shù)據(jù)處理，得到各電站蒸發(fā)量、降水量的預測數(shù)據(jù)及誤差參數(shù)，經(jīng)由數(shù)據(jù)接口傳輸?shù)角岸私缑妗?/p>

圖4 數(shù)據(jù)整理流程

3 集成架構(gòu)

如圖5所示，界面集成是指通過頁面嵌入或鏈接引用、單點登錄等方式，實現(xiàn)與GIS地圖、電網(wǎng)統(tǒng)一視頻、小流域高精度水文數(shù)據(jù)庫系統(tǒng)、用戶操作與權限后臺管理系統(tǒng)和水庫調(diào)度系統(tǒng)的高度有機結(jié)合。

圖5 集成架構(gòu)

服務集成是指將統(tǒng)一權限、賬號、組織、角色、信息系統(tǒng)菜單、信息系統(tǒng)功能、用戶權限、角色權限等數(shù)據(jù)服務統(tǒng)一集成，將國網(wǎng)省公司本部及電科院、市縣公司和各水電站等部門劃分為匿名資源、公共資源、權限資源，實現(xiàn)未來業(yè)務應用之間功能交互或流程貫通。

數(shù)據(jù)集成是指把湖南省小流域的電站基礎數(shù)據(jù)、水庫運行數(shù)據(jù)、高精度氣象水情數(shù)據(jù)及徑流數(shù)據(jù)清洗后進行集成和融合。

4 適用性評估

4.1 評估標準

為了定量評估所構(gòu)建的氣象水情測報系統(tǒng)和深度神經(jīng)網(wǎng)絡融合模型的性能，采用10折交叉[17]將流域雨量站數(shù)據(jù)分為訓練集和測試集。使用10個訓練模型的平均值來評估每個雨量計的性能。在整個研究區(qū)域上，所有測試雨量站的均值作為評估結(jié)果。在數(shù)據(jù)融合的基礎上，選擇平均絕對偏差(PMAE)、均方根誤差(PRMSE)、決定系數(shù)(R2)[18]評估融合數(shù)據(jù)的精度，各指標計算公式如式(1)—(3)所示。

(1)

(2)

(3)

4.2 系統(tǒng)預測評估結(jié)果

試驗中，分別提取覆蓋湖南省渫水流域范圍的遙感降水和蒸發(fā)網(wǎng)格點，如圖6、圖7所示，渫水流域范圍內(nèi)包括了50個降水網(wǎng)格點、12個蒸發(fā)網(wǎng)格點，分辨率分別為0.1°和0.25°(經(jīng)緯度)。

圖6 渫水流域遙感降水網(wǎng)格點范圍

圖7 渫水流域遙感蒸發(fā)網(wǎng)格點范圍

構(gòu)建渫水流域范圍內(nèi)衛(wèi)星和氣象站融合模型，將得到的模型用于整個區(qū)域上，即將每一個格點的子網(wǎng)格數(shù)據(jù)輸入融合模型，得到每個格點位置的降水數(shù)據(jù)，由此得到整個研究區(qū)域上的融合降水場，并使用實測降水和實測蒸發(fā)數(shù)據(jù)對該模型進行訓練，得到融合結(jié)果。同時，所有模型結(jié)果都使用10折交叉驗證來進行檢驗。表1為深度神經(jīng)網(wǎng)絡融合模型在2017—2020年8個氣象站上降水、蒸發(fā)數(shù)據(jù)的融合精度分析結(jié)果。如表1所示，本系統(tǒng)使用的深度神經(jīng)網(wǎng)絡融合模型在小時降水和日蒸發(fā)數(shù)據(jù)預測的平均絕對誤差分別為1.12%和0.43%，均方誤差為1.13%和0.01%，均方根誤差為1.16%和0.56%，相關系數(shù)為0.989和0.988。圖8和圖9為氣象站點位降水和蒸發(fā)過程模擬值與實測值的對比。試驗結(jié)果表明，深度神經(jīng)網(wǎng)絡融合模型能有效、準確地預測小時降雨與日蒸發(fā)數(shù)值。

表1 2017—2020年氣象站上數(shù)據(jù)融合結(jié)果

圖8 氣象站點位降水過程模擬值與實測值對比

圖9 氣象站點位的蒸發(fā)過程模擬值與實測值對比

5 結(jié)語

為提高水情監(jiān)測的精準度，彌補小水電流域水情監(jiān)測的缺失，本文首先構(gòu)建小流域高精度數(shù)據(jù)庫，通過自動化數(shù)據(jù)清洗和轉(zhuǎn)換方法，集成小流域動態(tài)與靜態(tài)的多源異構(gòu)數(shù)據(jù)；同時針對地處偏遠、氣象資料缺乏的小流域，結(jié)合遙感監(jiān)測技術和深度學習融合模型，在小流域建立具有高時空精度的氣象監(jiān)測系統(tǒng)，補充小流域氣象數(shù)據(jù)，為后期的氣象預報和降雨徑流等相關模型研發(fā)工作提供數(shù)據(jù)支撐[19-20]，并有效協(xié)助電力部門完善流域數(shù)字化信息平臺建設。