[发明专利]基于不同角度融合的多变量水库入水量预测系统、训练方法及应用

说明书

本发明公开了一种基于不同角度融合的多变量水库入水量预测系统、训练方法及应用，基于水库各变量历史观测值，首先通过随机循环神经网络和生成模型获得符合多模态分布的隐变量，然后通过注意力模型获得注意力矩阵，再将符合多模态分布的隐变量和注意力矩阵输入多层感知机，便可实现未来水库入水量的预测；相较于传统的人工经验判断和统计学方法，本发明对特定的场景具有建模能力；相较于传统的循环神经网络，本发明可以更好地捕捉多个观测值之间的关联和时间上较长的依赖，因而具有更高的准确率，不仅节省了大量的人力和物理成本，而且其预测结果也更有价值。

技术领域

本发明属于水利水电工程技术领域，涉及水库入水量预测技术，尤其涉及基于深度学习的水库入水量预测技术。基于机器学习(Machine learning)中的神经网络(NeuralNetworks,NN),主要利用深度学习(DeepLearning)和生成模型(Generative Model)的方法构建一个学习模型，该模型结合了循环神经网络(Recurrent Neural Network，RNN)、标准化流(NormalizingFlow，NF)和自注意力(Self-Attention)三项技术，能从不同角度推断隐空间(LatentSpace)多变量的条件概率分布。在水库入水量预测的任务中，该方法能学习到用于预测任务的表示(Representation)，该表示结合了各模型的优点，增强了预测结果的健壮性和准确度。最终，我们基于正态分布进行了概率预测，实现了根据多个变量预测未来不同时间段水库入水量的目标。

背景技术

水电站利用水库中储存水的势能发电，是十分重要的可再生能源。水电发展的过程中，水库的入水量预测一直是备受关注的课题。在过去，专家根据气候变化和历史监测制定政策指导水电站运行。例如，在夏季，储存多余的水以供将来水力发电，并且需要保持较低的水位，以抵御可能出现的洪峰。然而，排水过多可能会造成一定的电力收入损失。由于各种因素(如降水、下游调水和农业灌溉)都会对决策产生影响，仅依靠领域专家的经验很难达到水库规划的最佳水平。

近年来，工业物联网和大数据分析技术迅速发展，使水电行业可以利用新兴技术进行决策和规划。水电站的运行设备上安装有精确的传感器，用于感知和收集与电力、气象和水流有关的海量数据。这些数据可以为水流预测提供丰富的信息，而准确的预测结果可用于指导大坝决策制定，改善大坝运行，并且可以减少发电损失，降低漫坝风险等。

随着机器学习技术的高速发展，深度学习在很多应用领域都取得了极好的效果。在处理时间序列预测这一领域中：基于循环神经网络算法得到的表示能够捕捉到时间序列之间的关联，因而能产生良好的效果。然而，传统循环神经网络对于多变量之间关联的感知能力较差，确定性的隐状态表示隐含的信息也较单一。面对具有多变量(包括降水量、水库出水量和发电量等)的水库时，难以基于其历史观测值对未来水库入水量进行有效的预测。

发明内容

针对目前难以对多变量水库的入水量进行有效预测的技术现状，本发明的目的是提供一种基于不同角度融合的多变量水库入水量预测系统，将训练神经网络、基于正则化流的生成模型和自注意力相结合，根据水库入水量及其相关特征(包括降水量、水库出水量和发电量等)的历史观测值，准确地预测未来一段时间内水库的入水量及其在确定置信度下的变化范围。

本发明的另一目的在于提供上述基于不同角度融合的多变量水库入水量预测系统的训练方法。

本发明的第三个目的在于提供上述基于不同角度融合的多变量水库入水量预测系统的应用。