[发明专利]梯级水电站群水位预测方法、装置及计算机可读存储介质

权利要求书

1.一种梯级水电站群水位预测方法，其特征在于，包括步骤：

S1.采集梯级水电站群的水文信息和运行信息数据；其中，水文信息包括：上游来水流量序列和坝前水位变化序列；运行信息包括：发电机组实际出力序列和泄洪流量序列；

S2.将采集到的数据划分成k个水文时期类别，按待预测时间点的数据所属的时期类别整理得到水位预测集D＝{x¹，x²，...，x^m}，并得到k个时期类别的聚类中心c₁，c₂，...，c_k；m表示数据集中的样本数量；

S3.将每个时期类别的数据输入至k个LSTM网络中分别进行训练，训练完成后得到每个水文时期对应的网络模型参数，根据得到的聚类中心和网络模型参数得到水位预测模型；

S4.根据所述数据集中的验证数据对水位预测模型的效果进行验证，根据实际的预测误差调整LSTM网络训练的超参数，重复步骤S3，得到最终的水位预测模型；

S5.将梯级水电站群前一段时间内的水文信息和其运行信息输入步骤S4得到的最终水位预测模型中，预测水电站下一个时间段内的坝前水位信息。

2.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，所述步骤S1中，还包括：

对采集的坝前水位变化序列进行标准化处理：

其中，表示处理后的坝前水位变化序列，log t表示对采集的坝前水位变化序列t逐元素取对数，mean(log t)和std(log t)分别表示坝前水位变化序列t的平均值和标准差。

3.如权利要求1所述的梯级水电站群水位预测方法，其特征在于，所述步骤S2具体包括：

S21.随机从水位预测集D中选择一个样本作为初始聚类中心c₀；

S22.计算水位预测集D中每个样本xⁱ到已选出聚类中心的最大距离d(xⁱ)，对每个样本点按概率选出第j个聚类中心c_j；

S23.重复步骤S22直到选出所有k个聚类中心c₁，c₂，...，c_k；

S24.计算每个样本x_i到所有聚类中心的距离，并将其距离归为距离最小的聚类中心所对应的类；

S25.对于每个类别a_j，重新计算聚类中心

S26.重复步骤S25，直到聚类中心变化误差小于阈值或算法迭代次数大于设定值，输出每个样本所属类别及其对应的聚类中心。

4.如权利要求3所述的梯级水电站群水位预测方法，其特征在于，所述步骤S22中任意两样本x，y之间的距离dist(x，y)计算方式如下：

这里的x和y表示数据集D中任意的样本或聚类中心，diff(x)表示序列x的一阶差分，下表i表示序列的第i个元素。

5.如权利要求4所述的梯级水电站群水位预测方法，其特征在于，所述步骤S3具体包括：

S31.从所述数据集中的共m条训练数据中随机采样同一类别的n组T时刻的前一时段的水文信息和梯级水电站运行信息的长为T的序列作为输入，使用该类别对应的LSTM网络进行序列特征提取，得到其对应的n组输出特征向量

S32.将输出的特征向量作为全连接神经网络的输入，输出T+1时刻预测坝前水位

S33.计算预测坝前水位与数据集中T+1时刻观测得到的真实坝前水位值的均方误差；

S34.使用随机梯度下降法更新每个LSTM网络的权重参数θ；

S35.从数据集中采样下一批共n组数据，重复步骤S31至步骤S34，直至模型在验证数据上的误差不再下降或训练的迭代次数达到设定值。

6.如权利要求5所述的梯级水电站群水位预测方法，其特征在于，预测水位为：

式中，W和b分别为全连接神经网络的权重矩阵和偏置项。