特許ウォッチ

公開番号2024077563
公報種別公開特許公報(A)
公開日2024-06-07
出願番号2023056387
出願日2023-03-30
発明の名称動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体
出願人中国長江電力股ふん有限公司
代理人弁理士法人ATEN
主分類E02B 7/00 20060101AFI20240531BHJP(水工;基礎;土砂の移送)
要約【課題】動的貯水容量の影響を考慮し、貯水池の高速かつ高精度な超短期水位予測を実現し、水力発電所の発電計画の策定と貯水池の安全な運用に、より良いサポートを提供するための動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システム及び記憶媒体を提供する。
【解決手段】方法は、動的貯水容量の流入量、貯水域の水面線が上流水位に与える影響のヒステリシスを解析し、対応する時間スケールの貯水池運用データを収集し、設定されたパラメータおよび収集された貯水池運用データに従って、データセットを構築するステップS1と、構築されたデータセットに基づいて、前期水位、前期の貯水域の水面線特徴、予報流量、出力計画、放流計画などの変数を入力とする上流水位深層学習予報モデルを構築するステップS2と、構築された深層学習予報モデルに基づいて、さまざまな適用条件下での水位予測結果を生成するステップS3と、を含む。
【選択図】図1
特許請求の範囲【請求項１】
動的貯水容量の影響を考慮した貯水池の超短期水位予測方法であって、
対応する時間スケールの貯水池運用データを収集し、設定されたパラメータと収集された貯水池運用データに従って、データセット（Ｘ
１
、Ｘ
２
、Ｙ）を構築し、ここでは、Ｘ
１
は、前期の水位特徴および貯水域の水面線の水位特徴を含み、Ｘ
２
は、将来の流出量情報とヒステリシスの影響を考慮した流入量情報を含み、Ｙは、出力情報である、データ分析処理ステップＳ１と、
ステップＳ１で構築されたデータセット（Ｘ
１
、Ｘ
２
、Ｙ）に基づいて、出力Ｙと入力Ｘ＝（Ｘ
１
、Ｘ
２
）との間の関係を反映する予報モデルを確立する予報モデル確立ステップＳ２と、
ステップＳ２で確立された予報モデルに基づいて、水位予測結果を生成する水位予測結果生成ステップＳ３とを含む、ことを特徴とする動的貯水容量の影響を考慮した貯水池の超短期水位予測方法。
続きを表示（約 2,800 文字）【請求項２】
前記ステップＳ１は、具体的には、
実際のビジネスニーズに応じて、時間ステップｓｔｅｐと予測期間ｆｌｔを設定するステップＳ１０１と、
貯水域の水面線の水位が上流水位に与える影響の最大遅れ期間ｌａｇｓと、流入量が上流水位に与える影響の遅れ時間ＱＬａｇｓを求めるステップＳ１０２と、
設定された時間ステップｓｔｅｐに従って、対応する時間スケールの貯水池運用データを収集し、
前記貯水池運用データは、発電所の出力データＮ、貯水域の水面線の水位データＷＬ、上流水位データＷＬＵｐ、下流水位データＷＬＤｏｗｎ、動的貯水容量の流入量データＱ、および放流量データＱＯｕｔを含み、同じ期間のデータを傍受し、傍受後のデータ長をｎｕｍ
０
と記すステップＳ１０３と、
設定されたパラメータおよび収集されたデータに従って、データセットを構築し、データセットには、ｎｕｍ＝ｎｕｍ
０
－ｌａｇｓ－ｆｌｔ＋１のサンプルデータが含まれるＳ１０４とを含み、ここでは、各サンプルポイントデータの構築方法として、特定の時点ｔでのサンプルデータの出力は、次のとおりであり、
JPEG
2024077563000015.jpg
7
170
Ｙ
ｔ
は、ｆｌｔ×１のベクトルであり、将来のｆｌｔの時間ステップ内で予測すべき上流水位値を含み、サンプルデータの入力は、Ｘ
ｔ
であり、予測時点ｔの前期の水位特徴データ、および将来の出力、放流量、およびヒステリシスを考慮した動的貯水容量の流入量データを含み、それぞれＸｔ
１
およびＸｔ
２
と記し、ここでは、
JPEG
2024077563000016.jpg
12
170
Ｘ
ｔ１
は、ｌａｇｓ×ｍの行列であり、ｍは、貯水域の水面線の水位データ、上流水位データ、下流水位データの変数の総数であって、前期の水位状況および貯水域の水面線の特徴を反映し、
Ｘ
ｔ２
は、ｆｌｔ×３の行列であり、将来の出力と流量状況を反映し、すべてのサンプルを組み合わせて形成されるデータセットには、出力Ｙと入力Ｘ＝（Ｘ
１
、Ｘ
２
）、即ち、データセット（Ｘ
１
、Ｘ
２
、Ｙ）が含まれ、Ｙは、ｎｕｍ×ｆｌｔ×１の行列であり、Ｘ
１
は、ｎｕｍ×ｌａｇｓ×ｍの行列であり、Ｘ
２
は、ｎｕｍ×ｆｌｔ×３の行列である、ことを特徴とする請求項１に記載の動的貯水容量の影響を考慮した貯水池の超短期水位予測方法。
【請求項３】
前記ステップＳ２は、具体的には、
正規化または標準化方法を使用して、構築されたデータセット（Ｘ
１
、Ｘ
２
、Ｙ）を、標準データセット（ＳＸ
１
、ＳＸ
２
、ＳＹ）に処理するデータ前処理ステップＳ２０１と、
標準データセットを一定の比率に従って、ランダムにトレーニングセット（ＴｒａｉｎＳＸ
１
、ＴｒａｉｎＳＸ
２
、ＴｒａｉｎＳＹ）および検証セット（ＴｅｓｔＳＸ
１
、ＴｅｓｔＳＸ
２
、ＴｅｓｔＳＹ）に分割するデータ分割ステップＳ２０２と、
構築したデータセットの特徴に応じて、深層学習における長短期記憶層、畳み込み層、全結合層を用いて、貯水域の水面線の水位データ、流量データ、出力データ変化特徴を抽出できるモデル構造を設計し、モデルの最適化目標を設定し、初期のモデルハイパーパラメータセットを設定するモデル構造およびパラメータ設計ステップＳ２０３と、
与えられたモデル構造とハイパーパラメータセットの条件下で、トレーニングセット（ＴｒａｉｎＳＸ
１
、ＴｒａｉｎＳＸ
２
、ＴｒａｉｎＳＹ）に基づいて、モデルパラメータを最適化し、最適化目標を満たすモデルを取得するモデルトレーニングステップＳ２０４と、
トレーニング済みのモデルと最適化目標に基づいて、検証セット（ＴｅｓｔＳＸ
１
、ＴｅｓｔＳＸ
２
、ＴｅｓｔＳＹ）でのモデルの効果を評価するモデル評価ステップＳ２０５と、
モデル評価結果が予測精度要件を満たすか否かを判断し、満たさない場合、モデル構造、最適化目標、およびハイパーパラメータを調整し、予測精度要件を満たす予報モデルが得られるまで、ステップＳ２０４およびＳ２０５を繰り返して実行する予報モデル決定ステップＳ２０６とを含む、ことを特徴とする請求項２に記載の動的貯水容量の影響を考慮した貯水池の超短期水位予測方法。
【請求項４】
前記ステップＳ３は、具体的には、
予報の時間Ｔで、ステップＳ１０３およびＳ１０４に従って対応するデータを収集し、該時間Ｔに対応するサンプルポイントの入力Ｘ
Ｔ
＝（ＸＴ
１
、ＸＴ
２
）を構築するステップＳ３０１と、
ステップＳ２０１でのデータ前処理方法を用いて、入力Ｘ
Ｔ
をＳＸ
Ｔ
に処理するステップＳ３０２と、
ステップＳ２０６で決定された予報モデルを使用して予測し、予測結果ＳＹＨａｔ
Ｔ
を取得するステップＳ３０３と、
ステップＳ２０１で使用されたデータ前処理方法に従って、予測結果ＳＹＨａｔ
Ｔ
を、該予報時間に対応する実際の水位である実際の水位予測結果ＹＨａｔ
Ｔ
に逆処理するステップＳ３０４とを含む、ことを特徴とする請求項３に記載の動的貯水容量の影響を考慮した貯水池の超短期水位予測方法。
【請求項５】
メモリ、プロセッサ、およびメモリに記憶され、プロセッサで実行可能なコンピュータプログラムを含み、プロセッサによってコンピュータプログラムを実行すると、請求項１～４のいずれか一項に記載の動的貯水容量の影響を考慮した貯水池の超短期水位予測方法を実現する、ことを特徴とする動的貯水容量の影響を考慮した貯水池の超短期水位予測システム。
【請求項６】
コンピュータプログラムが記憶された非一時的なコンピュータ読み取り可能な記憶媒体であって、該コンピュータプログラムがプロセッサによって実行されると、請求項１～４のいずれか一項に記載の動的貯水容量の影響を考慮した貯水池の超短期水位予測方法を実現する、ことを特徴とする非一時的なコンピュータ読み取り可能な記憶媒体。

発明の詳細な説明【技術分野】
【０００１】
本発明は、貯水池ディスパッチングの技術分野に属し、特に動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体に関する。
続きを表示（約 4,500 文字）【背景技術】
【０００２】
貯水池の実際の運用中に、貯水池の流入情報と発電計画を考慮した貯水池の超短期水位予測は、水力発電所の発電計画の策定、貯水池の安全な運用に重要な意味を持ち、水位予測結果に基づき、ディスパッチング規制の枠組みの中で貯水池の出力計画を適切に修正し、ディスパッチング要件を満たし、発電効果を最大化する出力計画を策定することができる。
【０００３】
一般的な貯水池の場合、静的貯水容量の原理に基づく水収支法により貯水池の水位を予測することが多く、実際の使用中に良好な水位予測結果が得られる。該方法において、「流入量－流出量＝貯水量の変化」の水収支関係に基づいて、貯水池の貯水量の変化を算出し、それにより、上流水位変化を算出し、流入量は、静的貯水容量の流入量を採用し、計算では貯水池の静的貯水容量の変化のみが考慮され、貯水池の水面が水平面であり、その水面の昇降が水平方向の動きであると仮定される。ただし、河川型貯水池の場合、貯水池の動的貯水容量（最も遠い背水区間からダム前までの総貯水量）の存在により、貯水池の水位予測は、２つの問題に直面する。
（１）河川型貯水池の水面には、一定の鉛直勾配があり、貯水池の実際の水面と上流水位の水平線との間にくさび状の貯水部が形成され、貯水池の貯水量の変化は、上流水位の変化に反映されるだけでなく、貯水域の水面線にも影響を及ぼし、貯水域の水面線の変化による流体力学的特徴が複雑であるため、貯水池の貯水量の変化に従って、上流水位の変化を直接計算することは困難である。
（２）貯水池の動的貯水容量の流入量は、貯水池の背水区間の水量のみを反映でき、これは、貯水域の水面線の変化を通じて上流水位の変化に反映する必要があり、したがって、動的貯水容量の流入量は、上流水位に与える影響が一定のヒステリシスがある。
【０００４】
公開番号がＣＮ１１３２５６００５Ａである中国特許の出願は、ニューラルネットワークモデルに基づく発電所の水位過程予測方法および装置を開示し、上流の発電所の流出量から下流の発電所の流入量までの流出進化時間を下流の発電所の流入量の予測期間とし、前の予測期間における発電所運用データを一連の入力変数シーケンスとしてＢＰニューラルネットワークモデルに入力し、ＢＰニューラルネットワークモデルによって、次の予測期間における下流の発電所のダム前の予測水位を出力し、ＢＰニューラルネットワークネットワークモデルをトレーニングし、発電所の現在の運用データをトレーニングされたＢＰニューラルネットワークモデルに入力し、ＢＰニューラルネットワークモデルを使用して、発電所の水位過程の予測結果を出力する。しかし、この方法は、モデルの学習データとして流入量と流出量を考慮しているだけであり、河川型貯水池の動的貯水容量の影響を具体的に考慮していないため、河川型貯水池の水位予測にうまく適応することはできない。
【０００５】
公開番号がＣＮ１１４６１１７７８Ｂである中国特許は、流入量に基づく貯水池水位早期警告方法およびシステムを開示し、このシステムは、データ取得モジュール、データ伝送モジュール、貯水容量計算モジュール、貯水池水位予測モジュール、および早期警告モジュールを含み、手順は次のとおりであり、Ｓ１、貯水池の過去およびリアルタイムの貯水容量と水位データを収集し、Ｓ２、将来の貯水容量の値を計算し、Ｓ３、多層パーセプトロンモデルを介して貯水池水位予測モデルをトレーニングして構築し、Ｓ４、次の数日間の貯水池の水位値を予測し、Ｓ５、予測した貯水池の水位値を水位警報値と比較して早期警告を行う。しかし、この方法も、その後の水位予測のデータとして、流入量の静的な貯水容量を考慮しているだけであり、河川型貯水池の動的貯水容量の影響を具体的に考慮していないため、河川型貯水池の水位予測にうまく適応することはできない。
【０００６】
一般的に言えば、河川型貯水池の動的貯水容量の存在は、貯水池の貯水量の変化を正確に計算することを困難にし、貯水池の上流水位に対する動的貯水容量の影響のヒステリシスもまた、水位の予測を困難にする。
【発明の概要】
【０００７】
従来技術に存在する欠点を解決するために、本発明は、動的貯水容量の影響を考慮した貯水池の超短期水位予測方法を提供し、この方法は、貯水池の超短期水位の予測計算において、動的貯水容量の影響を考慮し、貯水池の高速かつ高精度な超短期水位予測を実現し、それによって、水力発電所の発電計画の策定と貯水池の安全な運用に、より良いサポートを提供することができる。
【０００８】
上述の技術的特徴を実現するために、本発明の目的は、次のように達成される。動的貯水容量の影響を考慮した貯水池の超短期水位予測方法であって、
対応する時間スケールの貯水池運用データを収集し、設定されたパラメータと収集された貯水池運用データに従って、データセット（Ｘ
１
、Ｘ
２
、Ｙ）を構築し、ここでは、Ｘ
１
は、前期の水位特徴および貯水域の水面線による水位特徴を含み、Ｘ
２
は、将来の流出量情報とヒステリシスの影響を考慮した流入量情報を含み、Ｙは、出力情報である、データ分析処理ステップＳ１と、
ステップＳ１で構築されたデータセット（Ｘ
１
、Ｘ
２
、Ｙ）に基づいて、出力Ｙと入力Ｘ＝（Ｘ
１
、Ｘ
２
）との間の関係を反映する予報モデルを確立する予報モデル確立ステップＳ２と、
ステップＳ２で確立された予報モデルに基づいて、水位予測結果を生成する水位予測結果生成ステップＳ３とを含む。
【０００９】
前記ステップＳ１は、具体的には、
実際のビジネスニーズに応じて、時間ステップｓｔｅｐと予報期間ｆｌｔを設定するステップＳ１０１と、
貯水域の水面線の水位が上流水位に与える影響の最大遅れ期間ｌａｇｓと、流入量が上流水位に与える影響の遅れ時間ＱＬａｇｓを求めるステップＳ１０２と、
設定された時間ステップｓｔｅｐに従って、対応する時間スケールの貯水池運用データを収集し、
前記貯水池運用データは、発電所出力データＮ、貯水域の水面線の水位データＷＬ、上流水位データＷＬＵｐ、下流水位データＷＬＤｏｗｎ、動的貯水容量の流入量データＱ、および放流量データＱＯｕｔを含み、同じ期間のデータを傍受し、傍受後のデータ長をｎｕｍ
０
と記す、ステップＳ１０３と、
設定されたパラメータおよび収集されたデータに従って、データセットを構築するステップにおいて、データセットには、ｎｕｍ＝ｎｕｍ
０
－ｌａｇｓ－ｆｌｔ＋１のサンプルデータが含まれるステップＳ１０４とを含み、ここでは、各サンプルポイントデータの構築方法として、特定の時点ｔでのサンプルデータの出力は、次のとおりであり、
JPEG
2024077563000002.jpg
7
170
Ｙ
ｔ
は、ｆｌｔ×１のベクトルであり、将来のｆｌｔの時間ステップで予測すべき上流水位値を含み、サンプルデータの入力は、Ｘ
ｔ
であり、予測時点ｔの前期の水位特徴データ、および将来の出力、放流量、およびヒステリシスを考慮した動的貯水容量の流入量データを含み、それぞれＸ
ｔ１
およびＸ
ｔ２
と記し、ここでは、
JPEG
2024077563000003.jpg
12
170
Ｘ
ｔ１
は、ｌａｇｓ×ｍの行列であり、ｍは、貯水域の水面線の水位データ、上流水位データ、下流水位データの変数の総数であって、前期の水位状況および貯水域の水面線の特徴を反映し、
JPEG
2024077563000004.jpg
13
170
Ｘ
ｔ２
は、ｆｌｔ×３の行列であり、将来の出力と流量状況を反映し、すべてのサンプルを組み合わせて形成されるデータセットには、出力Ｙと入力Ｘ＝（Ｘ
１
、Ｘ
２
）、即ち、データセット（Ｘ
１
、Ｘ
２
、Ｙ）が含まれ、Ｙは、ｎｕｍ×ｆｌｔ×１の行列であり、Ｘ
１
は、ｎｕｍ×ｌａｇｓ×ｍの行列であり、Ｘ
２
は、ｎｕｍ×ｆｌｔ×３の行列である。
【００１０】
前記ステップＳ２は、具体的には、
正規化または標準化方法を使用して、構築されたデータセット（Ｘ
１
、Ｘ
２
、Ｙ）を、標準データセット（ＳＸ
１
、ＳＸ
２
、ＳＹ）に処理するデータ前処理ステップＳ２０１と、
標準データセットを一定の比率に従って、ランダムにトレーニングセット（ＴｒａｉｎＳＸ
１
、ＴｒａｉｎＳＸ
２
、ＴｒａｉｎＳＹ）および検証セット（ＴｅｓｔＳＸ
１
、ＴｅｓｔＳＸ
２
、ＴｅｓｔＳＹ）に分割するデータ分割ステップＳ２０２と、
構築したデータセットの特徴に応じて、深層学習における長短期記憶層、畳み込み層、全結合層を用いて、貯水域の水面線の水位データ、流量データ、出力データ変化特徴を抽出できるモデル構造を設計し、モデルの最適化目標を設定し、初期のモデルハイパーパラメータセットを設定するモデル構造およびパラメータ設計ステップＳ２０３と、
与えられたモデル構造とハイパーパラメータセットの条件下で、トレーニングセット（ＴｒａｉｎＳＸ
１
、ＴｒａｉｎＳＸ
２
、ＴｒａｉｎＳＹ）に基づいて、モデルパラメータを最適化し、最適化目標を満たすモデルを取得するモデルトレーニングステップＳ２０４と、
トレーニング済みのモデルと最適化目標に基づいて、検証セット（ＴｅｓｔＳＸ
１
、ＴｅｓｔＳＸ
２
、ＴｅｓｔＳＹ）でのモデル効果を評価するモデル評価ステップＳ２０５と、
モデル評価結果が予測精度要件を満たすか否かを判断し、満たさない場合、モデル構造、最適化目標、およびハイパーパラメータを調整し、予測精度要件を満たす予報モデルが得られるまで、ステップＳ２０４およびＳ２０５を繰り返して実行する予報モデル決定ステップＳ２０６とを含む。
（【００１１】以降は省略されています）

関連特許