基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測

楊先華

(云南省水利水電勘測設計研究院， 云南 昆明 650000)

0 引 言

隨著社會經濟的發展以及專業技術的提升，水利工程建造技術不斷提高，水利樞紐梯級調度發電系統能夠提供較大的電能。為此，不少研究學者加強對水利樞紐梯級調度發電的研究，并進一步對發電最大負荷概率進行預測，提升發電系統的發電性能。

文獻[1]基于經驗模式分解與分位數回歸森林的用戶負荷概率密度組合建立預測模型，但是將其應用到水利工程梯級調度發電最大負荷概率預測中時，不能準確地掌握數據中的相關信息。文獻[2]基于Copula函數相關性測度，提出了一種集合多維尺度分析技術，解決短期公共樓宇負荷概率密度預測，數據運行效果強，實現了數據的管理和控制，但是數據處理方式控制過于分散。

因此，針對上述問題，本文提出了一種基于太陽能循環的概率預測方法來分析和解決上述問題。研究適合梯級調度發電最大負荷概率預測的優化理論和決策方法，提高流域梯級電站的控制和運行水平，實現對流域水能資源的科學高效利用，適應電力企業市場化發展的需要，落實國家“節能減排”政策，承擔更多的社會責任，建設生態文明社會，具有重要的理論和現實意義。

1 基于太陽能循環的水利樞紐梯級調度發電數據獲取

為增強概率預測研究的精準性，本文首先獲取水利樞紐梯級調度發電數據[3-4]，研究發電數據的發電條件。條件方程的設置如式(1)所示。

(1)

式中:K為條件參數數據;a為內部發電數據;t為水利樞紐系統發電時間;P為發點數據數量參數。根據上述操作進行條件選擇，并完善初始收集系統的收集空間，在水位上升位置進行標記，繪制相應的數據標記圖，如圖1所示。

圖1 數據標記圖

將收集到的數據傳輸到指定格式的數據庫中進行標記，并將標記的數據進行字節轉化，存儲到數據庫系統中。按照整理出的信息進行標準匹配，對汛期水位數據進行過濾，研究過濾數據的數量，并挑選出較為適宜的平均數進行數據評定。設置相關的平均數獲取方程：

(2)

圖2 數據查找圖

圖2中，數據查找中心每秒完成一次刷新操作，在此時間內輸入的數據被寫到文件緩存區中，操作將記錄錄入到文件中。此時新寫入的數據可以搜索到，并根據查詢要求從計算機文件或數據庫中提取所需的數據，輸出某個深度的所有節點，這些節點從首端到末端，無限次轉換數據，以獲取節點值。

2 基于太陽能循環的水利樞紐梯級調度發電數據分析

以獲取的水利樞紐梯級調度發電數據為基礎，進行數據分析處理[6]，按照標準化處理模式，選取內部結構函數進行結構調整，以此完善系統的處理性能，并設置結構函數方程式：

S=AC-Q·(d+q)

(3)

式中:S為結構函數數據;A為基礎調整數據;C為發點數據參數;Q為數據整體數量;d為內部結構參數值;q為主導數據標準函數。經過以上數據調整，得到系統優化結構信息數據，并根據此數據進行內容轉換，將實體數據轉化為信息數據[7]。在實現數據轉化后，監控數據位置，保證數據處于系統可操作范圍內，并設置相關的分析圖如圖3所示。

圖3 數據分析圖

3 基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測

歸一化灰色關聯度，算出第i個比較序列(氣象影響因素)的因子權重系數γi。

(4)

應用灰色關聯分析方法對系統動態變化過程進行量化分析比較處理，用以下公式表達向量約束參數Te。

(5)

式中：t為序列處理時間;Bw為閾值。

使用十倍交叉驗證法組建參數尋優過程，訓練和驗證任何連續兩個月歷史樣本，可以組成以下離線參數尋優總集合。

(6)

式中:G為影響因素的歷史數據總集合;V為十倍交叉驗證生成的驗證樣本集合;M為相應訓練樣本集合。

可以用以下公式對樣本集合V、M構成進行表達。

(7)

式中:Si為樣本集合V的構成函數;Sj為樣本集合M的構成函數。計算經過訓練和驗證的兩個樣本集合的相似度均值，可用式(8)表達。

(8)

式中:Pj為相似度均值(第j個訓練樣本和測試樣本);ω為樣本屬性權重值。

根據水利樞紐的類型進行發電數據劃分，同時在不同的發電數據中找出最大負荷參數。設計參數查詢方程：

(9)

式中:L為參數查詢數據；f為樞紐類型數據；d為劃分后的發點數據；g為數據總數量。經過上述查詢后，完善系統信息，并對最大負荷概率進行預測。設置概率數據預測圖，如圖4所示。

圖4 概率數據預測圖

由此實現精準預測，完成對水利樞紐梯級調度發電最大負荷概率預測研究。

4 試驗研究

4.1 試驗目的

為了檢測本文基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測的預測效果，將本文方法與文獻[1]和文獻[2]方法進行對比，分析試驗結果。

4.2 試驗參數設置

針對太陽能循環數據的收集復雜程度以及水利樞紐梯級調度發電最大負荷概率預測的技術性，需對其進行試驗參數設置，如表1所示。

表1 最大負荷概率數據預測參數

4.3 試驗結果與分析

1) 發電數據收集有效率對比圖

水利樞紐梯級調度發電的發電量預測對于水利樞紐比重較大的電網結構具有重要的意義，本文整合具體的發電信息與水利樞紐的相關發電條件，簡化了計算過程，減少了計算量，可以提高發電數據的收集效率，將本文方法與文獻[1]和文獻[2]方法進行對比，結果如圖5所示。

圖5 發電數據收集有效率對比圖

由圖5可知，在60 d的試驗時間內，本文方法對發電數據的收集效率曲線明顯高于其他兩種方法，說明本文基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測的發電數據收集有效率較高。本文方法在收集的過程中注重理論數據的分析，不斷查詢數據之間的相關性，按照相關性原則實現數據的精確化處理，指定相同區間的數據參數。利用數據樣本進行數據跟蹤，連續地解析跟蹤數據的位置，進行精確的數據收集，進而提升了發電數據收集有效率。

2) 最大負荷概率預測精準率對比圖

本文歸一化灰色關聯度函數，算出第i個比較序列(氣象影響因素)的因子權重系數，提高了最大負荷概率預測精準率，對比結果如圖6所示。

由圖6可知，在試驗時間為50 s時，本文基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測的最大負荷概率預測精準率為52%，且在試驗時間為100 s時，本文基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測的最大負荷概率預測精準率為58%。隨著試驗時間的增加，本文基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測的最大負荷概率預測精準率不斷提升。

圖6 最大負荷概率預測精準率對比結果

5 結束語

本文在傳統預測方法的基礎上提出了一種基于太陽能循環的水利樞紐梯級調度發電最大負荷概率預測方法。在調節系統結構的基礎上，實現對數據的預測整合，增強系統的數據性能，強化數據管理與系統自動保護能力，縮減研究所需時間，進而提升效率，達到對最大負荷概率預測有效提升的目的。