一种基于流域水情变化趋势分析模型的实时优化调度方法

摘要

本发明公开了一种基于流域水情变化趋势分析模型的实时优化调度方法，包括：采集历史流域水情信息以及实时流域水情信息；建立流域水情变化趋势分析模型，利用所采集历史流域水情信息对所述流域水情变化趋势分析模型进行训练及测试；将所述实时流域水情信息输入到训练好的流域水情变化趋势分析模型中，预测固定时间内的水情变化趋势；根据所述水情变化趋势与调度模型建立耦合关系，根据所述耦合关系提取数据库中相对应的最优的调度方案，完成实时优化调度。本发明可以根据实时监测流域水情变化情况，预测流域水情的变化趋势，作出合理、科学的调度方案，获取最大的发电效益，提升公司优化调度能力。

权利要求

1.一种基于流域水情变化趋势分析模型的实时优化调度方法，其特征在于，包括：采集历史流域水情信息以及实时流域水情信息；

建立流域水情变化趋势分析模型，利用所采集历史流域水情信息对所述流域水情变化趋势分析模型进行训练及测试；

将所述实时流域水情信息输入到训练好的流域水情变化趋势分析模型中，预测固定时间内的水情变化趋势；

所述流域水情变化趋势分析模型的构建过程包括，基于所述流域水情信息构建所述流域水情变化趋势分析模型：对特征序列a进行定性分析，确定所述流域水情变化趋势分析模型的相关影响因素序列A；

计算所述特征序列与各影响因素的变化率、变化率关联系数和变化率关联度；

根据所述变化率关联度的大小，对所述相关影响因素进行排序，确定其时间分解指数；

根据所述时间分解指数对关联时间进行分解，得到各子时间的关联序；

根据所述相关影响因素序列的关联序以及所述各子时间的关联序，得到所述流域水情变化趋势分析模型的序列间变化率关联程度大小的量化关系；

根据所述水情变化趋势与调度模型建立耦合关系包括，

其中，X(t)表示t时刻水量大小，s(t)表示t时刻的水情变化率，e表示应急事件处理效率，E表示应急储水量的最大值，μ表示转换效率，v(t)表示调度因子的大小，P(t)表示调度方案中所需要的物力供应，m、n表示不同的影响因素，根据所述耦合关系提取数据库中相对应的最优的调度方案，完成实时优化调度。

2.如权利要求1所述的基于流域水情变化趋势分析模型的实时优化调度方法，其特征在于：所述流域水情信息包括固定时间内的水流方向变化信息、水量变化信息、降水量信息以及气候信息。

3.如权利要求2所述的基于流域水情变化趋势分析模型的实时优化调度方法，其特征在于：将所述历史流域水情信息分为训练集和测试集，其划分比例为7:3，利用所述训练集对所述流域水情变化趋势分析模型进行训练，并用所述测试集对每一次训练好的流域水情变化趋势分析模型进行测试，当测试所述模型达到预设精度时，停止训练，得到训练好的流域水情变化趋势分析模型。

4.如权利要求3所述的基于流域水情变化趋势分析模型的实时优化调度方法，其特征在于：所述流域水情变化趋势分析模型的公式形式包括，构建深度学习框架，定义其损失函数为：

其中，T为集中样本数量，wsi为第si个类别的权重，C为类中心，yi为待分类的特征，ρ为平衡损失的超参数，Sj是softmax的其中输出向量S的第j个值，表示相关影响因素属于第j个类别的概率；

交叉熵函数为：

其中，L表示损失，Sj是softmax的其中输出向量S的第j个值，表示相关影响因素属于第j个类别的概率，j的范围是1到类别数T。

5.如权利要求4所述的基于流域水情变化趋势分析模型的实时优化调度方法，其特征在于：还包括，使用MXNET深度学习框架对标注好的所述流域水情信息进行读取；

并对搭建的所述深度神经网络进行训练；

利用所述损失函数预测的结果与真值的误差的大小；再利用梯度优化器对所述深度神经网络的参数进行更新；

直至训练指标达到98％以上。

6.如权利要求5所述的基于流域水情变化趋势分析模型的实时优化调度方法，其特征在于：所述固定时间为36小时。

说明书

一种基于流域水情变化趋势分析模型的实时优化调度方法

技术领域

[0001] 本发明涉及数据调度的技术领域，尤其涉及一种基于流域水情变化趋势分析模型的实时优化调度方法。

背景技术

[0002] 近年来，乌江流域水库调度自动化系统作为乌江公司重要生产调度信息系统，自投入运行以来为集控中心及下游电厂在防洪渡汛、发电调度、提高水库经济运行方面发挥了巨大的作用,作为支撑公司发展的重要生产系统，该系统只能在办公环境内以C/S方式向公司人员提供梯级电站实时信息，在非办公环境下则无法获取相关生产调度信息，需要设计出一种方法，能够基于流域水情变化实时给出其优化调度方案，提高效益。

发明内容

[0003] 本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

[0004] 鉴于上述现有存在的问题，提出了本发明。

[0005] 因此，本发明解决的技术问题是：现有技术中无法根据流域水情实时给出科学合理的调度方案。

[0006] 为解决上述技术问题，本发明提供如下技术方案：采集历史流域水情信息以及实时流域水情信息；建立流域水情变化趋势分析模型，利用所采集历史流域水情信息对所述流域水情变化趋势分析模型进行训练及测试；将所述实时流域水情信息输入到训练好的流域水情变化趋势分析模型中，预测固定时间内的水情变化趋势；根据所述水情变化趋势与调度模型建立耦合关系，根据所述耦合关系提取数据库中相对应的最优的调度方案，完成实时优化调度。

[0007] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：所述流域水情信息包括固定时间内的水流方向变化信息、水量变化信息、降水量信息、气候信息、水位信息以及所述水位信息对应的电量信息。

[0008] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：将所述历史流域水情信息分为训练集和测试集，其划分比例为7:3，利用所述训练集对所述流域水情变化趋势分析模型进行训练，并用所述测试集对每一次训练好的流域水情变化趋势分析模型进行测试，当测试所述模型达到预设精度时，停止训练，得到训练好的流域水情变化趋势分析模型。

[0009] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：所述流域水情变化趋势分析模型的构建过程包括，基于所述流域水情信息构建所述流域水情变化趋势分析模型：对特征序列a进行定性分析，确定所述流域水情变化趋势分析模型的相关影响因素序列A；计算所述特征序列与各影响因素的变化率、变化率关联系数和变化率关联度；根据所述变化率关联度的大小，对所述相关影响因素进行排序；确定其时间分解指数；根据所述时间分解指数对关联时间进行分解，得到各子时间的关联序；根据所述相关影响因素序列的关联序以及所述各子时间的关联序，得到所述流域水情变化趋势分析模型的序列间变化率关联程度大小的量化关系。

[0010] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：所述流域水情变化趋势分析模型的公式形式包括，构建深度学习框架，定义其损失函数为：

[0011]

[0012] 交叉熵函数为：

[0013]

[0014] 其中，L表示损失，Sj是softmax的其中输出向量S的第j个值，表示相关影响因素属于第j个类别的概率，yj前面有个求和符号，j的范围也是1到类别数T，因此label‑y是一个1*T的向量，里面的T个值，而且只有1个值是1，其他T‑1个值都是0，真实标签对应的位置的那个值是1，其他都是0。

[0015] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：还包括，使用MXNET深度学习框架对标注好的所述流域水情信息进行读取；并对搭建的所述深度神经网络进行训练；利用所述损失函数预测的结果与真值的误差、误差的大小；再利用梯度优化器对所述深度神经网络的参数进行更新；直至训练指标达到
98％以上。

[0016] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：根据所述水情变化趋势与调度模型建立耦合关系包括，

[0017]

[0018]

[0019] 其中，X(t)表示t时刻水量大小，s(t)表示t时刻的水情变化率，e表示应急事件处理效率，E表示应急储水量的最大值，μ表示转换效率，v(t)表示调度因子的大小，P(t)表示调度方案中所需要的物力供应，m、n表示不同的影响因素。

[0020] 作为本发明所述的基于流域水情变化趋势分析模型的实时优化调度方法的一种优选方案，其中：所述固定时间为36小时。

[0021] 本发明的有益效果：根据实时监测流域水情变化情况，预测流域水情的变化趋势，作出合理、科学的调度方案，获取最大的发电效益，提升公司优化调度能力。

附图说明

[0022] 为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：

[0023] 图1为本发明一个实施例提供的一种基于流域水情变化趋势分析模型的实时优化调度方法的基本流程示意图。

具体实施方式

[0024] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

[0025] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

[0026] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

[0027] 本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

[0028] 同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0029] 本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0030] 实施例1

[0031] 参照图1，为本发明的一个实施例，提供了一种基于流域水情变化趋势分析模型的实时优化调度方法，包括：

[0032] S1：采集历史流域水情信息以及实时流域水情信息。

[0033] 需要说明的是，流域水情信息包括固定时间内的水流方向变化信息、水量变化信息、降水量信息、气候信息、水位信息以及水位信息对应的电量信息。

[0034] S2：建立流域水情变化趋势分析模型，利用所采集历史流域水情信息对流域水情变化趋势分析模型进行训练及测试。

[0035] 需要说明的是，将历史流域水情信息分为训练集和测试集，其划分比例为7:3，利用训练集对流域水情变化趋势分析模型进行训练，并用测试集对每一次训练好的流域水情变化趋势分析模型进行测试，当测试模型达到预设精度时，停止训练，得到训练好的流域水情变化趋势分析模型。

[0036] 其中，流域水情变化趋势分析模型的构建过程包括：

[0037] 基于流域水情信息构建流域水情变化趋势分析模型：

[0038] 对特征序列a进行定性分析，确定流域水情变化趋势分析模型的相关影响因素序列A；

[0039] 计算特征序列与各影响因素的变化率、变化率关联系数和变化率关联度；

[0040] 根据变化率关联度的大小，对相关影响因素进行排序；

[0041] 确定其时间分解指数；

[0042] 根据时间分解指数对关联时间进行分解，得到各子时间的关联序；

[0043] 根据相关影响因素序列的关联序以及各子时间的关联序，得到流域水情变化趋势分析模型的序列间变化率关联程度大小的量化关系。

[0044] 进一步的，流域水情变化趋势分析模型的公式形式包括：

[0045] 构建深度学习框架，定义其损失函数为：

[0046]

[0047] 交叉熵函数为：

[0048]

[0049] 其中，L表示损失，Sj是softmax的其中输出向量S的第j个值，表示相关影响因素属于第j个类别的概率，yj前面有个求和符号，j的范围也是1到类别数T，因此label‑y是一个1*T的向量，里面的T个值，而且只有1个值是1，其他T‑1个值都是0，真实标签对应的位置的那个值是1，其他都是0。

[0050] 更进一步的，该模型的训练过程包括：

[0051] 使用MXNET深度学习框架对标注好的流域水情信息进行读取；

[0052] 并对搭建的深度神经网络进行训练；

[0053] 利用损失函数预测的结果与真值的误差、误差的大小

[0054] 再利用梯度优化器对深度神经网络的参数进行更新；

[0055] 直至训练指标达到98％以上。

[0056] S3：将实时流域水情信息输入到训练好的流域水情变化趋势分析模型中，预测固定时间内的水情变化趋势。

[0057] 需要说明的是，固定时间为36小时。

[0058] S4：根据水情变化趋势与调度模型建立耦合关系，根据耦合关系提取数据库中相对应的最优的调度方案，完成实时优化调度。

[0059] 需要说明的是，根据水情变化趋势与调度模型建立耦合关系包括：

[0060]

[0061]

[0062] 其中，X(t)表示t时刻水量大小，s(t)表示t时刻的水情变化率，e表示应急事件处理效率，E表示应急储水量的最大值，μ表示转换效率，v(t)表示调度因子的大小，P(t)表示调度方案中所需要的物力供应，m、n表示不同的影响因素。

[0063] 其中，数据库中存储的调度方案是根据历史水情信息进行修订的。

[0064] 实施例2

[0065] 该实施例为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于流域水情变化趋势分析模型的实时优化调度方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

[0066] 本实施例中将采用传统人工制定调度方案方法和本方法分别对仿真流域水情的方案制定实时性和准确性进行实时测量对比。其测试环境为：使用训练CPU为Intel Core i5‑6300HQ@2.30GHz，GPU为GTX 1080Ti，使用的深度学习框架为Pytorch1.9.0，CUDA版本为11.2，开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试，根据实验结果得到仿真数据，其结果如下表所示。

[0067] 表1：实验结果对比表。

[0068]

[0069]

[0070] 从上表可以看出，本发明方法相较于传统方法具有较强的鲁棒性。

[0071] 应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术‑包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

[0072] 此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

[0073] 进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

[0074] 如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

[0075] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。