考虑时空相关性的风光水资源多变量随机模拟

风光水多能互补运行是促进新能源消纳、提升流域资源利用率的一种有效手段。同步模拟风光水资源,可为互补系统的规划设计、运行管理以及风险评估等提供可靠的基础数据。以黄河上游千万千瓦级风光水多能互补系统为例,提出一种考虑时空相关性的流域风、光、水资源多变量随机模拟方法。首先,分析风光水资源的时空相关性,选择径流作为模拟的主变量,风、光电出力作为从变量;其次,采用季节性自回归模型对多个时间截口的径流进行模拟;最后,依据径流与风、光出力的相关性分析,采用Copula联结函数以及条件概率公式对光电出力进行模拟,同时采用季节性自回归模型对风电出力进行模拟。结果表明:所提出的方法能够准确模拟出符合历史统计规律的多变量序列。     

考虑预报不确定性的水风光互补系统两阶段决策研究

【目的】水风光资源长期预报精度有限,如何应对风光出力和径流的不确定性是充分发挥多能源协同优势的关键,为此,提出考虑预报不确定性的水风光互补系统两阶段决策方法。【方法】将互补系统长期调度多阶段决策划分为包含面临时段和余留期的两阶段决策,通过余留期能量曲面表征余留期不同库容条件与未来风光出力及径流所能产生的发电效益;讨论不同预报水平下水风光资源预报信息的利用方式,提出余留期能量曲面确定方法,并分析预见期利用长度对互补系统效益的影响,确定最佳预见期利用长度;以基于调度图模拟的互补系统调度结果作为对照,评估不同预报水平下两阶段模型的适用性。【结果】选择雅砻江下游水风光互补系统进行实例研究,结果显示：(1)两阶段模型中基于径流序列映射模型的预报信息利用方式能较好地表征余留期效益;(2)随着两阶段决策模型预见期利用长度的增加,预见期的边际效应显著降低,互补系统最佳预见期利用长度为3个月;(3)与调度图相比,两阶段模型推迟水库蓄水和消落时机并加深消落程度,使得发电效益和出力可靠性在预报水平较高时整体高于调度图。【结论】结果表明：两阶段决策模型能够灵活结合多个预见期的预报信息,实现有限预报信息下的互补...     

一种考虑径流预报及其不确定性的水库优化调度模型

鉴于纯随机径流描述或确定性径流预报的水库(群)优化调度模型,未考虑径流预报及其不确定性,导致优化计算结果与水库实际运行情况存在较大差异.本文提出了一种利用后验的径流状态转移概率和径流预报的可预测性概率来描述径流预报及其不确定性的优化调度模型.依据二滩水电站径流及其预报的实际状况,考虑不同预见期的径流预报信息,建立了考虑...     

基于深度学习的水风光短期随机优化调度研究

我国致力于可再生能源发展,提出水-风-光多能互补系统,因风光能源的不确定性,需实时电网调度调整。文章运用深度学习(DQN)优化系统的短期调度,最大化发电效益。采用拉丁超立方抽样和考虑Kantorovich距离的场景削减技术,反映可再生能源不确定性分布,结合深度强化学习建立多能互补系统短期优化调度模型。模拟实际数据,显示该方法有效解决高维等问题,较于传统方法有显著优势。     

耦合整体预报不确定性的水电站短期优化调度模型

以确定性预报径流为输入的水电站短期优化,受到预报不确定性的影响,会导致制定的运行方案与实际执行结果产生偏离,造成弃水或出力不足风险。为此,从水电站短期发电计划的编制过程出发,为编制优化运行方案,分析预报径流序列不同时段之间预报不确定性的关联,从而将短期径流预报序列各时段的预报不确定性耦合为一个整体,创新性地建立耦合整体预报不确定性的水电站短期优化调度模型。同时基于所提出的新优化模型,以锦西水电站为例进行实例研究,分别从实际总发电量和贴近度两个方面分析与评价新模型在效益和风险两个方面的优势,并将所建新模型与传统的确定性优化模型进行比较。结果表明,相较于传统确定性优化模型,本文所建立的新模型能够有效增加实际发电量、提高发电计划可靠性,可为水电站短期发电运行的实践提供有效参考。     

径流贝叶斯概率预报在水库发电优化调度中的应用

为了充分考虑降雨、径流预报的不确定性和降低水库发电调度模型的复杂性,采用贝叶斯概率水文预报系统(BFS)耦合降雨预报的不确定性和径流预报模型本身的不确定性来定量描述径流预报的不确定性,发布径流确定性预报、概率预报和概率预报期望值;结合随机动态规划(SDP)模型和贝叶斯随机动态规划(BSDP)模型来制定发电调度图;以浑江桓仁水库流域为背景,采用美国国家天气局的全球预报系统(GFS)发布的10d降雨预报信息作为预报模型输入,模拟桓仁水库的发电调度过程。模拟结果表明基于径流贝叶斯概率预报的水库发电调度能有效提高水库的发电效益和保证率。     

基于ＬＳＴＭ模型的北威克试验站小流域实时径流预报

为探讨深度学习方法在小流域实时精细化径流预报中的适用性，建立了基于长短时记忆网络（ＬＳＴＭ）的英格兰北威克试验站小流域实时径流预报模型。借助深度学习框架Ｔｅｎｓｏｒｆｌｏｗ，采用ＬＳＴＭ识别输入特征及输入输出间的复杂非线性关系，将逐时段流域径流、前期降雨及气温三要素作为输入，分析了多种输入组合和多个时间步长的实时径流预报效果。结果表明:基于ＬＳＴＭ的模型在各子流域的径流预报效果较好，训练期和验证期的纳什系数均高于0．90，该模型可用于研究区的实时径流预报，可为流域防洪调度提供技术支撑。     

不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点，尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先，采用完整集合经验模态分解方法对日径流时间序列进行分解，得到不同频率成分的模态分量；其次，为不同的模态分量构建长短期记忆神经网络日径流预测模型，并采用网格搜索参数寻优算法优化预报模型的超参数；最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例，所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法，为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

WPT-HPO-ELM径流多步预报模型研究

为提高径流时间序列多步预报精度,建立了小波包变换（WPT）-猎人猎物优化（HPO）算法-极限学习机（ELM）相融合的径流时间序列多步预报模型,并应用于云南省南康河水文站月径流和日径流时间序列多步预报。引入HPO算法原理,在不同维度条件下选取6个典型函数对HPO进行仿真验证;利用2层WPT将径流时序数据分解为4个子序列分量,达到降低径流序列数据复杂性和不平稳性的目的;采用HPO优化ELM输入层权值和隐含层偏值,建立WPT-HPO-ELM模型对实例月径流和日径流进行多步预报。结果表明：HPO算法具有较好的寻优精度和全局搜索能力;WPT-HPO-ELM模型对预见期为1～3个月的月径流具有理想的预报效果,预报的平均绝对百分比误差≤2.43%,合格率≥99.2%,确定性系数≥0.999;对预见期为4～6个月的月径流具有较好的预报效果,预报的平均绝对百分比误差≤15.0%,合格率≥73.3%,确定性系数≥0.991;当预见期≥7个月时,预报效果较差。对预见期为1~3 d的日径流具有理想的预报效果,预报的平均绝对百分比误差≤1.23%,合格率为100%,确定性系数≥0.999;对预见期为4~7 d的日径流具有较好的预报效果,预报的平均绝对百分比误差≤15.3%,合格率≥73.0%,确定性系数≥0.947;当预见期≥8 d时,预报效果较差。WPT-HPO-ELM模型能充分发挥WPT、HPO和ELM的优势,表现出较高的预报精度和稳定性能,预报误差随着预见期的增加而增大,该模型及方法可为径流时间序列多步预报提供新途径。     

Daily Runoff Forecasting Using a Hybrid Model Based on Variational Mode Decomposition and Deep Neural Networks

Accurate and reliable runoff forecasting plays an increasingly important role in the optimal management of water resources. To improve the prediction accuracy, a hybrid model based on variational mode decomposition (VMD) and deep neural networks (DNN), referred to as VMD-DNN, is proposed to perform daily runoff forecasting. First, VMD is applied to decompose the original runoff series into multiple intrinsic mode functions (IMFs), each with a relatively local frequency range. Second, predicted models of decomposed IMFs are established by learning the deep feature values of the DNN. Finally, the ensemble forecasting result is formulated by summing the prediction sub-results of the modelled IMFs. The proposed model is demonstrated using daily runoff series data from the Zhangjiashan Hydrological Station in Jing River, China. To fully illustrate the feasibility and superiority of this approach, the VMD-DNN hybrid model was compared with EMD-DNN, EEMD-DNN, and multi-scale feature extraction -based VMD-DNN, EMD-DNN and EEMD-DNN. The results reveal that the proposed hybrid VMD-DNN model produces the best performance based on the Nash-Sutcliffe efficiency (NSE?=?0.95), root mean square error (RMSE?=?9.92) and mean absolute error (MAE?=?3.82) values. Thus the proposed hybrid VMD-DNN model is a promising new method for daily runoff forecasting.

     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

贝叶斯概率水文预报研究进展与展望

水文预报不可避免地存在着输入、水文模型参数和结构等不确定性,导致预报结果也具有不确定性。因此,定量估计水文预报的不确定性,实现概率水文预报,不仅可得到比确定性预报更高的精度,而且还能为决策者提供更丰富的预报信息。本文根据不确定性来源的不同,从输入资料、模型结构、模型参数和综合不确定性等方面,详细综述了贝叶斯水文概率预报的研究进展,归纳了精度评定指标和效果检验方法,并展望了贝叶斯概率水文预报未来的研究重点和方向:(1)科学有效地解释、沟通和传播水文预报不确定性信息和概率水文预报产品;(2)建立水文集合概率预报框架,估计并降低水文预报的总不确定性;(3)开展考虑预报变量时空相关性的贝叶斯概率水文预报研究;(4)深入推动概率水文预报信息在风险决策中的应用。     

基于参数优化的EEMD-LSSVM年径流组合预测模型

径流预测是水资源管理的基础,其准确性直接影响水资源优化调度的成果。本文针对径流时间序列的内在周期特性,引入一种基于总体经验模态分解（EEMD）的LSSVM组合预测模型,并提出一种基于动态逼近局部搜索粒子群的LSSVM参数寻优方法。基于分解一重构原则,论文首先利用总体经验模式分解法对径流系列进行周期分量提取,然后应用基于参数寻优的LSSVM模型对各分量进行预测和重构。以澧水流域江垭站的年径流预测为例进行模型检验,通过三种预测模型的结果对比,验证了本文组合预测模型的可靠性。     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。     

风光水互补系统发电效益-稳定性多目标优化调度

风光水互补系统联合运行是解决风电、光电等间歇性能源消纳的有效方法之一,但互补系统的发电效益与稳定性存在矛盾关系,如何分析系统的出力互补特性并解析效益-稳定性关系是本研究解决的关键科学问题。本研究在雅砻江流域风光水互补示范基地上开展研究工作,采用互补系统总发电量最大、出力过程变异系数最小为目标构建效益-稳定性多目标优化调度模型,采用径流、风速和太阳辐射强度等作为输入,分析调度方案出力互补特性与目标关系。研究结果表明:效益-稳定性目标之间的关系为总发电量越大,变异系数越大,出力过程平稳性越差;互补系统在日内时间尺度上的互补关系为从夜间到日间再到夜间,光电出力从零逐渐增大再变为零,风电出力从大变小再变大,存在日内互补关系,水电能源依靠调节能力可有效互补平抑风电和光电出力。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

基于多步预报模型的径流中长期预测研究

针对径流中长期预报模型中广泛存在的不确定性问题,在以往研究的基础上,建立了基于最近邻回归预测的径流中长期多步概率预报模型。介绍了该模型的计算方法和重要参数的选取方法,并应用于实例预报工作中。结果表明,该模型在4个月的预报期内,具有较高的概率预报精度。同时,该模型概念清晰,避免了参数不确定性,不仅能够提供常规的确定性预报结果,而且能够给出在不同置信水平下的预报置信区间,便于量化预报风险,为最优决策的制定提供依据。     

Error Correction Modelling of Wind Speed Through Hydro-Meteorological Parameters and Mesoscale Model: A Hybrid Approach

Accurate estimation of wind speed is essential for many hydrological applications. One way to generate wind velocity is from the fifth generation PENN/NCAR MM5 mesoscale model. However, there is a problem in using wind speed data in hydrological processes due to large errors obtained from the mesoscale model MM5. The theme of this article has been focused on hybridization of MM5 with four mathematical models (two regression models- the multiple linear regression (MLR) and the nonlinear regression (NLR), and two artificial intelligence models – the artificial neural network (ANN) and the support vector machines (SVMs)) in such a way so that the properly modelled schemes reduce the wind speed errors with the information from other MM5 derived hydro-meteorological parameters. The forward selection method was employed as an input variable selection procedure to examine the model generalization errors. The input variables of this statistical analysis include wind speed, temperature, relative humidity, pressure, solar radiation and rainfall from the MM5. The proposed conjunction structure was calibrated and validated at the Brue catchment, Southwest of England. The study results show that relatively simple models like MLR are useful tools for positively altering the wind speed time series obtaining from the MM5 model. The SVM based hybrid scheme could make a better robust modelling framework capable of capturing the non-linear nature than that of the ANN based scheme. Although the proposed hybrid schemes are applied on error correction modelling in this study, there are further scopes for application in a wide range of areas in conjunction with any higher end models.