[发明专利]利用CFS集合预报产品的水电站中期滚动调度方法

摘要

本发明涉及水电站预报和调度领域，公开了一种利用CFS集合预报产品的水电站中期滚动调度方法。其技术方案是利用基于Fork/Join框架的多核并行下载技术每天定时从美国CFS集合预报服务器下载并解析具有较长预见期的CFS集合预报文件，获得水电站提供最新的降雨预报，输入已由有效历史数据率定完成的BP神经网络模型开展径流预报，根据目标水电站的最新预报信息、实际工作状态和所选优化模型等，利用POA、DDDP等优化方法滚动计算获得水电站的最优调度策略。本发明的有益效果是前瞻水电站实际调度需求，开展CFS集合预报产品的实用化应用，指导水电站中调调度，在我国水电站(群)的优化调度运行管理中具有重要的意义。

主权项

一种利用CFS集合预报产品的水电站中期滚动调度方法，其特征包括如下步骤，步骤1：利用多核并行下载技术定时从美国国家环境预报中心服务器获取CFS集合预报文件(1)各文件组成任务下载集合，若集合规模大于特定阈值，则持续划分为子任务直至满足条件；(2)应用多线程下载技术和断点续传技术下载子任务；步骤2：利用双线性插值和距离反比权重插值开展时空降尺度解析CFS集合预报文件(1)CFS集合预报文件中以经纬度形式存储全球尺度的预报值，经纬度分辨率为dx×dy，全球共计nx×ny个网格节点；CFS集合预报文件的头文件存储预报的基准时间、预报时段数、预报步长和经纬度分辨率；各预见期下的全球预报降雨按照由北纬到南纬、东经到西经，以一维数组的形式存储于CFS集合预报文件中；(2)反向解析得到目标水电站在不同预见期的预报降雨；首先给定目标水电站各控制点的经纬度，修正控制点构成的目标区域，按照CFS文件存储规则反向解析得到目标区域不同预见期的降雨值；通过空间降尺度和时间降尺度从目标区域得到各目标点在不同预见期的预报降雨，若为无穷则表示缺少资料，各目标点取平均即可得到目标水电站在不同预见期的预报降雨；①向解析获得目标区域在不同预见期的预报信息；首先在水电站控制区域内选取多个具有代表性的点，这些点构成的区域称为目标区域；然后获得目标区域的经纬度上下限X、Y、若直接采用该目标区域确定各目标点降雨，则可能存在目标区域形状不规则的情况，导致各目标点降雨难以直接插值获得，故需修正目标区域边界，修正规则如下：经度下限为上限为纬度下限为上限为然后按照CFS集合预报文件存储规则反向解析，获得目标区域控制的关键网格节点信息；②采用双线性插值和距离反比权重插值方法进行空间降尺度获得目标点在不同预见期的降雨；③时间降尺度获得目标点在特定预见期的降雨；空间降尺度获得目标点在不同预见期的降雨后，特定预见期降雨可采用线性插值和距离反比权重插值方法由相邻时间点的降雨插值获得；步骤3：由BP神经网络模型预报目标水电站的径流值BP神经网络模型本质上以网络误差平方和为目标函数，采用梯度法训练样本使目标函数达到最小；(1)由有效样本数据率定模型，具体步骤如下：设置率定期、检验期的起止时间并选定影响因子，前P天实际流量、前t天流量累加、前m天CFS集合预报降雨，得到BP神经网络的输入层节点数；设置BP神经网络其他参数，包括隐藏层层数及各层节点数、训练次数和目标误差，构造BP神经网络模型；初始化BP神经网络结构，由随机函数产生[0,1]区间的随机值初始化BP网络结构各层各节点的权重和阈值；获取影响因子和目标值的有效样本数据，将各类数据分别归一化到区间[0.2,0.8]，构造训练样本的输入输出矩阵；从数据库中选取各影响因子和预报目标值的历史数据并检查数据的有效性，剔除无效数据；对各类数据分别按式x'＝0.6(xmax‑x)/(xmax‑xmin)+0.2进行归一化操作，其中xmax、xmin分别表示该类样本数据的最大、最小值，x表示待处理样本数据，x'表示归一化处理后的值；将归一化后的输入、输出样本数据按照时间顺序分别依次放置于输入、输出矩阵，直至所有样本数据添加完成；利用输入矩阵和目标矩阵训练样本数据直至收敛；归一化样本输入神经网络后通过Sigmoid函数[f(x)＝1/(1+e‑x)]逐层向前传播，各层神经元只受其直接上层各神经元状态影响；若未满足终止条件则将本次输出误差反向传回，逐层修改各层神经元权值与阈值，如此反复传播直至满足收敛条件；(2)由CFS预报降雨输入已率定完成的BP神经网络模型得到径流预报由CFS集合预报降雨数据构造新的输入数据，输入已训练完成的BP神经网络模型后得到预测值，对其进行反归一化处理即可得到预测流量值；对预测值按公式x＝xmax‑(x'‑0.2)(xmax‑xmin)/0.6进行反归一化处理，其中xmax、xmin分别表示该类样本数据的最大、最小值，x'表示仿真测试得到的预测值，x表示反归一化处理后的预测值；步骤4：水电站的滚动调度策略获得目标水电站的CFS降雨预报值后，输入已用有效历史样本数据率定完成的BP神经网络模型得到相应的径流预报值，即可滚动更新输入条件；根据目标水电站的实际工作状态和所选优化模型，采用优化方法求解得到最新预报信息下的最优运行策略，取前面若干时段决策信息指导目标水电站运行，在实施面临时段决策的过程中，又可根据再次获得的最新预报信息重复上述过程，如此循环往复，滚动更新，便可形成“预报、决策、实施、再预报、再实施”的前向滚动决策过程。