基于深度学习的梯级水电站发电调度及系统设计研究

发布时间：2020-08-08 18:16

【摘要】：水电能源由于其清洁无污染的特点,得到了世界各国的优先发展。中国作为世界水电发展的后起之秀,21世纪以来先后投运了三峡、“南水北调”等举世瞩目的超级水利工程。然而随着水电开发的规模化、梯级化趋势,梯级电站发电调度需综合考虑水文气象、用水需求以及电网安全等多方面因素的影响,传统调度方法已难以适应日趋复杂的调度约束和综合目标,亟需寻求交叉领域的理论、模型和技术开展研究。因此本文以清江梯级水电站为研究对象,基于当前人工智能热点技术,将深度学习与梯级水电站发电调度相结合,提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则,建立了基于改进离散差分进化-集成经验模态分解-长短期记忆网络(MDDE-EEMD-LSTM)梯级水电站发电量预测模型,并以此为基础设计研发了分布式异构水资源调度系统。论文主要工作内容和创新性成果如下:(1)根据隐随机调度思想,以逐次优化算法(POA)确定性调度成果为训练集,建立了基于广义回归网络(GRNN)梯级水电站发电调度规则提取模型;同时,针对神经网络超参数优化问题,设计了一种分布式并行的深度学习超参数优化框架,提出了一种基于群落重心的改进粒子群算法,以优化GRNN网络参数。在清江梯级水布垭电站工程实际应用表明,本文所提出的改进PSO算法具有更强的全局寻优能力和收敛速度;提出的超参数并行优化框架,加速了模型的参数优化和训练;建立的基于最优参数的GRNN模型泛化能力强,计算速度快,同时在样本集不足情况下仍可保持较高精度,可为大中型梯级电站发电调度规则提取提供决策支持。(2)针对神经网络法在进行发电量预测时没有记忆功能、无法处理长期依赖的问题,通过特征工程筛选了影响发电量的关键因子,建立了基于长短期记忆神经网络(LSTM)梯级水电站发电量预测模型,同时引入EEMD算法对发电量时间序列进行分解,提出了一种基于超参数优化框架的改进离散差分进化算法对模型进行参数寻优。清江梯级水布垭、隔河岩两级电站仿真模拟结果表明,与多种常规时间序列预测方法相比,本文基于对发电量时间序列的特征分析提出的MDDE-EEMD-LSTM模型稳定性和泛化能力较强。对大中型电站,单站预测较两级电站联合预测模式得出的发电量预测方案更优。(3)围绕国内水利信息化软件开发标准不统一、可扩展性差等不足,本文从宏观上将前后端开发分离并微服务化,实现了敏捷开发与分布式部署;在内部结构中,将深度学习框架、大数据分析工具与业务系统协调的无缝集成,提出了一种“微前端-微后端-分布式异构”水调系统开发模式,为深度学习模型的优化与训练以及海量多源异构数据的在线分析提供支持;与此同时提出了基于OpenMI标准和消息总线的多模型耦合通信机制,贯穿整个系统的业务调度和数据交互,并将ELK日志工具集成到水调系统中。在华中电网跨区调峰决策支持系统软件开发应用表明,本文所提开发模式降低了深度学习框架在水调业务中应用的门槛,增强了系统处理复杂业务的能力,加速了系统开发的并行性,同时增强了系统的可扩展性。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TV737
【图文】：

示意图,水布垭坝址,平均流量,示意图

发电量最大为调度目标建立优化调度模型。首先以清江梯级水布垭电站 1951-2007 年总计 57 年的实测径流数据进行模拟调度。由图 2-6 可知，水布垭坝址多年平均流量为 290m3/s，所选取系列中丰水年份有14 年，平水年为 29 年，枯水年有 14 年，较全面反映了水布垭坝址水文特性，具有很好的代表性。

调度图,水布垭水库,调度图,水文年

图 2-6 水布垭坝址逐年平均流量示意图由图 2-7 水布垭水库年调度图可知，水布垭水利年从四月份开始至次年四月份，因此优化调度周期以水利年为单位，起调水位为 380m，水位约束区间为[350,400]。为结合工程实际，绘制该水库历史 11 年每年 4 月份月均水位变化过程，如图 2-8 所示，取月均值 376m 作为调度期初、末水位。

水布垭水库,期初,水位过程线,群落学

图 2-8 水布垭水库调度期初月水位过程线2.4.2 CPSO 算法基准测试为验证 CPSO 算法的改进性能，使用了 rastrigin、ackley、griewangk 以及 sphere等几个典型的测试函数对进行了测试，并与标准 PSO 算法进行对比。通过多次试验，选择 CPSO 算法参数为：群落数为 4；第 1 个群落学习因子1 11 2c c 1.469, 惯性权重1w 0.73；第 2 个群落学习因子2 21 2c c 1.521, 惯性权重2w 0.82；第 3 个群落学习因子3 31 2c c 1.478, 惯性权重3w 0.78；第 4 个群落学习因子4 41 2c c 1.532,惯性权重4w 0.73。各群落粒子数为 100，粒子维度为 100，迭代 200 次。标准 PSO没有群落参数，其他参数与 CPSO 第一个群落参数保持一致。由下图 2-9 可知，CPSO算法与 PSO 算法相比具有更快的收敛速度，且收敛精度更高，性能更优，可用于超参数寻优。

【相似文献】