DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFA_VMD_LSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。     

负荷频繁波动情景下梯级水电站实时调度策略

在新能源高比例并网环境下,如何安全、高效地发挥水电的调节作用是电网安全稳定运行的关键问题之一。介绍电力系统转型时期梯级水电站面临的负荷频繁波动情景,分析水电站实时调度后效性影响,建立实时尺度下水电灵活性量化准则。在此基础上,提出负荷频繁波动情景下的梯级水电站实时调度策略,采用实时与远期视角相结合、时段出力与调度期末水位同时动态控制的方式满足实时调整需求。算例结果表明,所提实时调度策略在多种负荷波动场景下均可提升水电系统对未来调度时段风险的对冲能力,比传统实时调度策略更适应当前水电运行环境。