一种梯级水电站负荷分配方法、系统及存储介质

技术领域

本发明涉及梯级水电站负荷分配技术领域，尤其是涉及一种梯级水电站负荷分配方法、系统及存储介质。

背景技术

水资源通常具有显著的流域特征，且我国大多数河流年内和年际径流分布不均匀，丰枯季节流量相差悬殊，造成了水资源在时间和空间上分布的不均匀。因此，修建可调节性能好的水电站并实施径流调节是充分利用水资源的重要措施。而为了兼顾防洪、发电、充分利用水资源以及其他综合利用的要求，通常在流域上建立梯级水电站，各梯级水电站之间的优化调度，对于水电站的高效运行具有重要意义。

常见的优化调度方法主要是以水定电的优化方式，包括逐步优化、动态规划和分治算法等。电网调度梯级整体调度模式下，下达的负荷指令并不是平稳不变的，尤其是承担电网调峰调频任务的大型梯级水电站，调度部门将根据电网实时运行情况随时给梯级电站下达新的负荷指令，可以认为，该调度模式的梯级水电站运行是一个实时协同控制的过程，电网下达梯级整体负荷指令后，梯级管控中心需要在秒级时间内给出梯级整体调度方式与实际控制的动态响应，实现梯级水电站厂间负荷的实时分配，以确保在电力系统安全的前提下不会出现非正常弃水、水库拉空等不合理现象，从而达到科学、经济的目的。

梯级水电站实时协同控制既与电力系统紧密相连，同时也与水库的水情息息相关，需要根据流域水情和梯级各电厂的实际运行情况进行负荷的厂间动态匹配。与短期优化调度中的“以电定水”模式不一样的是，梯级厂间负荷实时分配中，梯级总出力值实时跟踪电网负荷指令变化难以事先预测，因此不仅需要综合考虑电网、水库、机组等多方面的约束，更要求在线实时平衡电力系统负荷的变化，同时兼顾各电站的厂内经济运行，这在实时协同控制模式的安全、时效、实用等方面提出了更高的要求。

因此，本发明旨在提供一种梯级水电站负荷分配方法、系统及存储介质，满足上述需求。

发明内容

本发明提供一种梯级水电站负荷分配方法、系统及存储介质，实现梯级水电站的实时协同控制，实时调整梯级厂间负荷，达到提高水量利用率，增加发电效益的同时，减少调度人员工作量，提高调度运行水平的目的。

本发明实施例的第一方面公开了一种梯级水电站负荷分配方法，包括如下步骤：

S1.获取梯级各水电站的实时数据，并采用多元线性回归分析方法和/或支持向量机数据挖掘方法对所述实时数据进行处理；

S2.基于S1中处理后的所述实时数据，判断一定时段后是否有水电站进入异常水位运行区，若有，则采用实时负荷安全分配策略，进行负荷分配计算，并进入S4；否则进入S3；

S3.基于S1中处理后的所述实时数据，判断一定时段后电站是否产生弃水，若产生了弃水则采用弃水负荷分配策略，进行负荷分配计算，并进入S4；否则将计算期依据时间向未来滑动，同时进入S1；

S4.输出负荷分配方案，并给各水电站AGC下发运行指令，同时将计算期向未来滑动，并进入S1。

在一些实施例中，所述实时数据包括静态信息数据和实时动态数据，所述静态信息数据包括水库运行水位限制数据、特征曲线信息数据和电站运行状态限制信息，所述实时动态数据包括实时水情信息数据、电站运行状态数据和电网负荷指令数据。

在一些实施例中，在S1中，采用多元线性回归分析方法，对所述实时数据进行处理，具体包括如下：

设影响因变量Y的自变量个数为P，并分别记为x

所谓多元线性模型是指这些自变量对Y的影响是线性的，如下式1所示，式1为：

Y＝β

其中β

记n组样本分别是(x

其中ε

令

则用矩阵形式表示为Y＝Xβ+ε；

其中ε是n维随机向量，它的分量相互独立；X称为设计矩阵或资料矩阵。

在一些实施例中，在S1中，采用支持向量机数据挖掘方法，对所述实时数据进行处理，具体包括如下：

已知给定样本集{(xi,yi),i＝1,2,…,l}，设拟合回归函数为y＝f(x)，其预测函数即最优超平面表达式为式3：

f(x)＝wx+b；

其中，xi∈Rn，为n维向量，为特征值；yi∈R，为目标值；l为样本个数；w为最优超平面法向量，b为参数；

针对样本点的非线性特性，通过Mercer核的展开定理引入核函数，将样本点从低维映射到高维特征空间中，将非线性问题在高维空间中转换为线性问题；

在Mercer核函数中，高斯径向基核函数为SVM法常用核函数，其表达式为式4：

K(χ

其中，K(χi,χj)为核函数；γ为核函数参数；χi、χj表示自变量和因变量，i、j表示维数且i＝j；

在高维特征空间中，定义线性ε-不敏感损失函数为式5：

确定的y＝f(x)的在高维特征空间的预测函数，即其最优超平面为式6：

其中，x、y为训练样本；ε为不敏感损失系数；

依据VC理论和结构风险化最小准则，将求解最优超平面问题转化为一个二次凸规划问题，得到该最优问题表达式为式7：

当约束条件无法实现时，即样本点到最优超平面的距离大于ε，则通过引入的松弛变量ξ*、ξi*，将该最优问题表达式转化为式8：

其中，C为事先给定的惩罚系数；

利用拉格朗日乘数法求解该凸规划问题，得到结果为式9：

其中，ɑi、ɑi*和ɑj、ɑj*为拉格朗日乘子；

运用KKT条件法，将式9中的等式约束推广至不等式约束，以确定样本中的标准支持向量NSV和边界支持向量SV；从而通过学习，得到SVM法非线性回归估计函数，即SVM回归预测模型，该模型具体表达式为式10和式11：

/>

其中，xi、xj为支持向量的样本预报因子，yi为样本集中预报对象值；NNSV为标准支持向量个数，xi∈SV、xj∈SV分别表示xi和xj中的边界支持向量；

最后，将预测样本的特征值带入SVM回归预测模型，进行非线性回归预测。

本发明实施例的第二方面公开了一种梯级水电站负荷分配系统，包括：

数据获取与处理模块，用于获取梯级各水电站的实时数据，并采用多元线性回归分析方法和/或支持向量机数据挖掘方法对所述实时数据进行处理；

第一负荷分配计算模块，用于基于处理后的所述实时数据，判断一定时段后是否有水电站进入异常水位运行区，若有，则采用实时负荷安全分配策略，进行负荷分配计算，得到第一负荷分配方案；

第二负荷分配计算模块，用于基于处理后的所述实时数据，判断一定时段后电站是否产生弃水，若产生了弃水则采用弃水负荷分配策略，进行负荷分配计算，得到第二负荷分配方案；

负荷分配方案输出模块，用于输出第一负荷分配方案和第二负荷分配方案，并给各水电站AGC下发运行指令。

在一些实施例中，梯级水电站负荷分配系统还包括：

处理器，分别与所述数据获取与处理模块、第一负荷分配计算模块、第二负荷分配计算模块和负荷分配方案输出模块连接；

存储器，与所述处理器连接，并存储有可在所述处理器上运行的计算机程序；

其中，当所述处理器执行所述计算机程序时，所述处理器控制所述数据获取与处理模块、第一负荷分配计算模块、第二负荷分配计算模块和负荷分配方案输出模块工作，以实现上述中任意一项所述的梯级水电站负荷分配方法。

本发明实施例的第三方面公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行上述中任意一项所述的梯级水电站负荷分配方法。

综上所述，本发明至少具有以下有益效果：

本发明先采用多元线性回归分析方法和/或支持向量机数据挖掘方法对梯级各水电站的实时数据进行处理；再基于中处理后的所述实时数据进行判断，当判断一定时段后有水电站进入异常水位运行区，则采用实时负荷安全分配策略，进行负荷分配计算，得到第一负荷分配方案；当判断一定时段后电站会产生弃水，则采用弃水负荷分配策略，进行负荷分配计算，得到第二负荷分配方案；将得到第一负荷分配方案和/或第二负荷分配方案，下发到各水电站AGC，完成梯级水电站的负荷分配。该方法实现梯级水电站的实时协同控制，实时调整梯级厂间负荷，达到提高水量利用率，增加发电效益的同时，减少调度人员工作量，提高调度运行水平的目的。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中所涉及的梯级水电站负荷分配方法的步骤示意图。

图2为本发明中所涉及的梯级水电站负荷分配系统的模块示意图。

图3为本发明中所涉及的考虑流达时间为1小时的552-553m水位级别负荷关系的示意图。

图4为本发明中所涉及的考虑流达时间为70分钟的552-553m水位级别负荷关系的示意图。

图5为本发明中所涉及的考虑流达时间为1小时的553-554m水位级别负荷关系的示意图。

图6为本发明中所涉及的考虑流达时间为70分钟的553-554m水位级别负荷关系的示意图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明实施例的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

下文的公开提供了许多不同的实施方式或例子用来实现本发明实施例的不同结构。为了简化本发明实施例的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明实施例。此外，本发明实施例可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。

下面结合附图对本发明的实施例进行详细说明。

如图1所示，本发明实施例的第一方面公开了一种梯级水电站负荷分配方法，包括如下步骤：

S1.获取梯级各水电站的实时数据，并采用多元线性回归分析方法和/或支持向量机数据挖掘方法对所述实时数据进行处理；

S2.基于S1中处理后的所述实时数据，判断一定时段后是否有水电站进入异常水位运行区，若有，则采用实时负荷安全分配策略，进行负荷分配计算，并进入S4；否则进入S3；

S3.基于S1中处理后的所述实时数据，判断一定时段后电站是否产生弃水，若产生了弃水则采用弃水负荷分配策略，进行负荷分配计算，并进入S4；否则将计算期依据时间向未来滑动，同时进入S1；

S4.输出负荷分配方案，并给各水电站AGC(自动发电控制系统)下发运行指令，同时将计算期向未来滑动，并进入S1。

在一些实施例中，所述实时数据包括静态信息数据和实时动态数据，所述静态信息数据包括水库运行水位限制数据、特征曲线信息数据和电站运行状态限制信息，所述实时动态数据包括实时水情信息数据、电站运行状态数据和电网负荷指令数据。

在一些实施例中，在S1中，采用多元线性回归分析方法，对所述实时数据进行处理，具体包括如下：

设影响因变量Y的自变量个数为P，并分别记为x

所谓多元线性模型是指这些自变量对Y的影响是线性的，如下式1所示，式1为：

Y＝β

其中β

记n组样本分别是(x

其中ε

令

则用矩阵形式表示为Y＝Xβ+ε；

其中ε是n维随机向量，它的分量相互独立；X称为设计矩阵或资料矩阵。

在一些实施例中，在S1中，采用支持向量机数据挖掘方法，对所述实时数据进行处理，具体包括如下：

已知给定样本集{(xi,yi),i＝1,2,…,l}，设拟合回归函数为y＝f(x)，其预测函数即最优超平面表达式为式3：

f(x)＝wx+b；

其中，xi∈Rn，为n维向量，为特征值；yi∈R，为目标值；l为样本个数；w为最优超平面法向量，b为参数；

针对样本点的非线性特性，通过Mercer核的展开定理引入核函数，将样本点从低维映射到高维特征空间中，将非线性问题在高维空间中转换为线性问题；

在Mercer核函数中，高斯径向基核函数为SVM法常用核函数，其表达式为式4：

K(χ

其中，K(χi,χj)为核函数；γ为核函数参数；χi、χj表示自变量和因变量，i、j表示维数且i＝j；

在高维特征空间中，定义线性ε-不敏感损失函数为式5：

/>

确定的y＝f(x)的在高维特征空间的预测函数，即其最优超平面为式6：

其中，x、y为训练样本；ε为不敏感损失系数；

依据VC理论和结构风险化最小准则，将求解最优超平面问题转化为一个二次凸规划问题，得到该最优问题表达式为式7：

当约束条件无法实现时，即样本点到最优超平面的距离大于ε，则通过引入的松弛变量ξ*、ξi*，将该最优问题表达式转化为式8：

其中，C为事先给定的惩罚系数；

利用拉格朗日乘数法求解该凸规划问题，得到结果为式9：

其中，ɑi、ɑi*和ɑj、ɑj*为拉格朗日乘子；

运用KKT条件法，将式9中的等式约束推广至不等式约束，以确定样本中的标准支持向量NSV和边界支持向量SV；从而通过学习，得到SVM法非线性回归估计函数，即SVM回归预测模型，该模型具体表达式为式10和式11：

其中，xi、xj为支持向量的样本预报因子，yi为样本集中预报对象值；NNSV为标准支持向量个数，xi∈SV、xj∈SV分别表示xi和xj中的边界支持向量；

最后，将预测样本的特征值带入SVM回归预测模型，进行非线性回归预测。

如图2所示，本发明实施例的第二方面公开了一种梯级水电站负荷分配系统，包括：

数据获取与处理模块，用于获取梯级各水电站的实时数据，并采用多元线性回归分析方法和/或支持向量机数据挖掘方法对所述实时数据进行处理；

第一负荷分配计算模块，用于基于处理后的所述实时数据，判断一定时段后是否有水电站进入异常水位运行区，若有，则采用实时负荷安全分配策略，进行负荷分配计算，得到第一负荷分配方案；

第二负荷分配计算模块，用于基于处理后的所述实时数据，判断一定时段后电站是否产生弃水，若产生了弃水则采用弃水负荷分配策略，进行负荷分配计算，得到第二负荷分配方案；

负荷分配方案输出模块，用于输出第一负荷分配方案和第二负荷分配方案，并给各水电站AGC下发运行指令。

在一些实施例中，梯级水电站负荷分配系统还包括：

处理器，分别与所述数据获取与处理模块、第一负荷分配计算模块、第二负荷分配计算模块和负荷分配方案输出模块连接；

存储器，与所述处理器连接，并存储有可在所述处理器上运行的计算机程序；

其中，当所述处理器执行所述计算机程序时，所述处理器控制所述数据获取与处理模块、第一负荷分配计算模块、第二负荷分配计算模块和负荷分配方案输出模块工作，以实现上述中任意一项所述的梯级水电站负荷分配方法。

本发明实施例的第三方面公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行上述中任意一项所述的梯级水电站负荷分配方法。

实时负荷安全分配策略

在负荷分配控制中，安全性第一，其次才是经济性。以A、B、C三个水电站为例，设A、B、C三站的水库库容小、调节性能差，当其水库进入高水位运行区时，若此时上游来水较大，则容易引起电站弃水，当水库进入低水位运行区，来水较小则容易引起电站拉空库容无水可发，这些都对电网及电站的安全稳定运行不利，需要及时将进入异常运行区的水库水位控制回正常运行区运行。实时负荷安全分配策略，其目标函数如下式12所示，该策略实现的目标是通过实时协同控制重新分配各电站负荷任务，使得按负荷分配计算方案运行计算期长度W后A、B、C三站水库水位尽可能的靠近其安全区的中间值，达到返回安全运行区的目的。

式12：

其中，α,β,γ为安全控制系数，取值规则为：

式中，Z

弃水负荷分配策略

一般来说，弃水可以分为有效弃水和无效弃水，从发电角度而言，当电站所带负荷对应的下泄流量无法满足电站生态流量，或下游用水需求而产生的弃水就是无效弃水，为了充分利用这部分水量，减少电站弃水产生的电能损失，采用弃水负荷分配策略。该策略在负荷分配方案计算过程中，按照梯级弃水损失电量最小原则进行，如式13所示：

式中，S

需要注意的是，在实时负荷流高效分配策略中，不能为了减少弃水损失而使A、B、C三站水位进入高水位运行区或低水位运行区，也就是说在负荷分配计算过程中，仍需要保证计算期内A、B、C三站水库水位满足如下约束条件：

Z

Z

Z

以D站和E站为例，采集D站和E站的实际运行数据(实时数据)，拟定D站负荷与E站负荷与D站前水位的关系，取得的结果如下：

D站前水位在552-553m区间范围，且考虑流达时间为1小时的D站负荷与E站负荷关系如图3所示。由图3可知，当前水位级别下D站与E站负荷相关系数较好，但仍较小，R

D站前水位在552-553m区间范围，且考虑流达时间为70分钟的D站负荷与E站负荷关系如图4所示。由图4可知，相比于考虑1小时流达时间结果，70分钟条件下D站负荷与E站负荷相关系数有显著提升，R

D站前水位在553-554m区间范围，且考虑流达时间为1小时的D站负荷与E站负荷关系如图5所示。由图5可知，当前条件二者相关系数较好，R

D站前水位在553-554m区间范围，且考虑流达时间为70分钟的D站负荷与E站负荷关系如图6所示。由图6可知，当前条件二者相关系数R

综上所述，推荐采用的D站负荷与E站负荷及D站水位的关系为：

①D站水位在552-553m区间，流达时间采用70分钟，关系式为y＝0.4833x+17.046，相关系数为R

②D站水位在553-554m区间，流达时间采用70分钟，关系式为y＝0.4602x+21.385，相关系数R

以上所述实施例是用以说明本发明，并非用以限制本发明，所以举例数值的变更或等效元件的置换仍应隶属本发明的范畴。

由以上详细说明，可使本领域普通技术人员明了本发明的确可达成前述目的，实已符合专利法的规定。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例有关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改进。因此，本申请的各个方面可以完全由硬件实施、可以完全由软件(包括固件、常驻软件、微代码等)实施、也可以由硬件和软件组合实施。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可以采取体现在一个或多个计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。

本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写，包括如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等的面向对象程序设计语言、如C程序设计语言、VisualBasic、Fortran2103、Perl、COBOL2102、PHP、ABAP的常规程序化程序设计语言、如Python、Ruby和Groovy的动态程序设计语言或其它程序设计语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，尽管上述各种组件的实现可以体现在硬件设备中，但是它也可以实现为纯软件解决方案，例如，在现有服务器或移动设备上的安装。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请的实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所申明的客体需要比每个权利要求中明确记载的更多特征的意图。相反，发明的主体应具备比上述单一实施例更少的特征。