[发明专利]一种基于深度学习理论的梯级电站水力关系耦合方法

说明书

本发明公开了一种基于深度学习理论的梯级电站水力关系耦合方法，涉及水电运行技术领域，包括以下步骤：S1，基于互信息中的条件互信息理论进行输入因子的选取；S2，构建第一模型，通过第一模型对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型；S3，根据上游出库流量与下游入库流量的深度学习网络模型确定上下游梯级电站的水力耦合关系，基于上下游梯级电站的水力耦合关系确定下游电站的入库流量；通过此种设计实现电力现货市场中上下游梯级电站水力关系的耦合计算，可为水电为主的电力现货市场运行提供重要技术支撑。

技术领域

本发明涉及水电运行技术领域，具体为一种基于深度学习理论的梯级电站水力关系耦合方法。

背景技术

新电改第一批八大现货试点省份，已经开始现货市场的长周期试运行，在现货市场环境下，发电企业需要通过竞价，确定各自的市场出清电价价和成交出力。然而由于梯级电站间的水力联系，下游电站的中标结果受制于上游电站，容易造成下游电站实际发电能力和中标结果不匹配，使得中标结果难以执行或增加不必要弃水。因此，为平稳有序推进水电参与现货市场，充分利用各流域清洁水能资源，提高水电为主的电力现货市场运行管理水平，规避上下游梯级电站中标电量难以执行或造成清洁水电资源浪费等问题，迫切需要利用深度学习理论研究一种梯级电站水力关系耦合方法，构建起上游出库流量与下游入库流量的深度学习网络模型，研究梯级电站间的水力联系，为水电为主的电力现货市场运行提供重要技术支持。

本方案的目的在于提供一种基于深度学习理论的梯级电站水力关系耦合方法，构建起上游出库流量与下游入库流量的深度学习网络模型，研究梯级电站间的水力耦合关系，解决了水电为主的电力现货市场运行时，由于下游电站的中标结果受制于上游电站，容易造成下游电站实际发电能力和中标结果不匹配，使得中标结果难以执行，影响电力现货市场运行效率；或增加不必要弃水，导致清洁水能资源利用降低，影响清洁能源的并网消纳，进而影响“碳中和、碳达峰”战略的有序推进。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习理论的梯级电站水力关系耦合方法。

本发明的目的是通过以下技术方案来实现的：

一种基于深度学习理论的梯级电站水力关系耦合方法，包括以下步骤：

S1，基于互信息中的条件互信息理论进行输入因子的选取，执行步骤S2：

S2，构建第一模型，通过第一模型对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型，执行步骤S3；

S3，根据上游出库流量与下游入库流量的深度学习网络模型确定上下游梯级电站的水力耦合关系，基于上下游梯级电站的水力耦合关系确定下游电站的入库流量。

进一步的，所述第一模型是基于深度学习中卷积神经网络和长短时记忆网络的深度学习耦合网络构建的。

进一步的，所述步骤S1中，基于互信息中的条件互信息理论进行输入因子的选取包括以下步骤：

S31，确定待选取因子集X，执行步骤S32；

S32，计算X中每个因子与输出的条件互信息，即I(Y；X_j)(j＝1,2,…,s)，I(Y；X_j)值最大的情况下对应的X_j最先被选取，执行步骤S33；

S33，根据上一个选取的被选因子已知条件下的条件互信息I(Y；X_j|X_i)(i＝1,2,…j-1,j+1…s)，选取该值最大对应的X_i作为下一个被选因子，执行步骤S34；

S34，重复步骤S33，直到新加入的因子达到预先设定的信息增量阈值，停止循环，得到最终的输入因子集；