一种梯级水电站多维安全智能管控方法

摘要

本发明提供的一种梯级水电站多维安全智能管控方法，所述管控方法包括：收集目标梯级水电站的基础资料；采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则；确定极端风险源模拟目标，梯级水电站安全管控目标和目标管控期；采用系统动力学方法构建梯级水电站系统动力学模型；根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式；根据安全管控目标划定多维安全约束条件；运行所述梯级水电站系统动力学模型。能够为复杂风险源综合作用下的梯级水电站系统多维安全调度方案制定提供技术支撑，提升梯级水电站风险智能化管控水平。

权利要求

1.一种梯级水电站多维安全智能管控方法，其特征在于，所述管控方法包括：收集目标梯级水电站的基础资料；

采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则；

确定极端风险源模拟目标，梯级水电站安全管控目标和目标管控期；

采用系统动力学方法构建梯级水电站系统动力学模型；

借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合；

根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式，结合安全管控目标确定模拟时长及时段步长；

根据安全管控目标划定多维安全约束条件，通过布尔逻辑运算和极值函数控制模型相关变量；

运行所述梯级水电站系统动力学模型，获得在极端风险情景下多维安全目标管控期内的梯级水电站智能调度方案；

所述采用系统动力学方法构建梯级水电站系统动力学模型具体包括：根据目标梯级水电站实际工程结构确定模型主要结构变量，根据极端风险源模拟目标确定模型相关辅助变量；

将水电站库容和总发电量视作模型存量，将水电站入流，出流以及日发电量视作模型流量，将不同变量通过有向因果链连接从而构建描述水电站运行基础的系统动力学模型；

根据水电站实际结构在基础系统动力学模型中添加用以描述系统结构细节的变量，包括将出库流量细化为通过不同泄水设施下泄的水量，建立库水位与不同设施的泄流能力关系，同样采用有向因果链连接构建水电站运行精细化系统动力学模型；

结合风险源模拟目标添加相应辅助变量，采用有向因果链连接构建水电站运行多维风险系统动力学模型；

所述借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合具体包括：借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合，以系统动力学中每时刻库水位和入库流量作为LSTM模型输入，将LSTM模型输出流量作为当前时刻系统出库流量反馈至系统动力学模型中；

所述根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式具体包括：结合安全管控目标确定模拟时长及时段步长，模型主要控制方程包括水量平衡方程及发电量计算方程，如下：P F OV L

水量平衡方程Vi,t+1＝Vi,t+Ii,t+LIi,t‑Qi,t‑Qi,t‑Q i,t‑Qi,t(6)式中，Vi,t+1表示第i座水库在t时段末的库容；Vi,t表示第i座水库在t时段初的库容；Ii,t表示第i座水库在t时段内由上游水库释放所产生的入流量；LIi,t表示上下游两座水库之间P在t时段内产生的区间入流量；Q i,t表示第i座水库在t时段内经由机组释放的发电流量；

F OV

Qi,t表示第i座水库在t时段内经由除机组外的其他泄水设施释放的流量；Q i,t表示第i座L水库在t时段内漫顶所产生的溢流量；Qi,t表示第i座水库在t时段内的由于蒸发、下渗原因造成的其他水量损失；

P

发电量计算方程，Pi,t＝9.81×η×Hi,t×Qi,t×t(7)其中，Pi,t表示第i座水库在t时段内产生的发电量；η表示第i座水库的机组效率系数；

Hi,t表示第i座水库在时段t内的平均水头。

2.根据权利要求1所述的一种梯级水电站多维安全智能管控方法，其特征在于，所述收集目标梯级水电站的基础资料具体包括：收集目标梯级水电站水位库容关系曲线、泄流尾水关系曲线、各泄水设施泄流能力曲线、历史运行调度数据；

所述历史运行调度数据包括库水位、入库流量和出库流量。

3.根据权利要求1所述的一种梯级水电站多维安全智能管控方法，其特征在于，所述采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则具体包括：采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则，人工智能模型为LSTM模型，将库水位和入库流量划定为模型输入数据，将出库流量划定为输出数据，设定LSTM模型所需参数，LSTM中每个单元的核心组成包括遗忘门，输入门，细胞状态和输出门。

4.根据权利要求3所述的一种梯级水电站多维安全智能管控方法，其特征在于，所述设定LSTM模型所需参数具体包括：最大迭代次数、隐藏层数、节点数。

5.根据权利要求1所述的一种梯级水电站多维安全智能管控方法，其特征在于，所述出流包括通过各种泄水设施的出流，溢流量，库区蒸发及下渗所造成的水量损失。

说明书

一种梯级水电站多维安全智能管控方法

技术领域

[0001] 本发明涉及水利水电工程领域，尤其涉及一种梯级水电站多维安全智能管控方法。

背景技术

[0002] 梯级水电站联合调度使水能资源得到高效利用，最大化发挥了水利设施的防洪、发电、生态、航运、供水等综合效益。然而，在梯级水电站运行过程中，易受自然入流条件、工程设施状况、运行调度方式各种因素影响使个别运行目标无法达到预期需求，存在多维安全事件。随着流域梯级开发规模的不断增大，导致多维安全事件的系统风险源也明显增多。在复杂风险源综合作用下制定相应的安全调度方案，对梯级水电站系统多维安全事件进行有效管控不仅能够确保工程自身安全稳定运行，还有助于保障下游居民生命财产安全，推动社会经济持续发展，具有重要的社会意义。

[0003] 目前梯级水电站安全管控方法多采用在特定入流情景下以风险概率最小化为目标优化求解安全调度方案，其假设工程设施正常运行，仅将自然入流作为系统风险源，未能考虑多种风险源综合作用对于系统运行的影响。此外，优化求解所得调度方案集仍需管理者进一步人为决策，降低了安全管控的时效性。

发明内容

[0004] 鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种梯级水电站多维安全智能管控方法。

[0005] 根据本发明的一个方面，提供了一种梯级水电站多维安全智能管控方法，所述管控方法包括：

[0006] 收集目标梯级水电站的基础资料；

[0007] 采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则；

[0008] 确定极端风险源模拟目标，梯级水电站安全管控目标和目标管控期；

[0009] 采用系统动力学方法构建梯级水电站系统动力学模型；

[0010] 借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合；

[0011] 根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式，结合安全管控目标确定模拟时长及时段步长；

[0012] 根据安全管控目标划定多维安全约束条件，通过布尔逻辑运算和极值函数控制模型相关变量；

[0013] 运行所述梯级水电站系统动力学模型，获得在极端风险情景下多维安全目标管控期内的梯级水电站智能调度方案。

[0014] 可选的，所述收集目标梯级水电站的基础资料具体包括：

[0015] 收集目标梯级水电站水位库容关系曲线、泄流尾水关系曲线、各泄水设施泄流能力曲线、历史运行调度数据；

[0016] 所述历史运行调度数据包括库水位、入库流量和出库流量。

[0017] 可选的，所述采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则具体包括：

[0018] 采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则，以人工智能模型中的LSTM模型为例，将库水位和入库流量划定为模型输入数据，将出库流量划定为输出数据，设定LSTM模型所需参数，LSTM中每个单元的核心组成包括遗忘门，输入门，细胞状态和输出门。

[0019] 可选的，所述设定LSTM模型所需参数具体包括：最大迭代次数、隐藏层数、节点数。

[0020] 可选的，所述采用系统动力学方法构建梯级水电站系统动力学模型具体包括：

[0021] 根据目标梯级水电站实际工程结构确定模型主要结构变量，根据极端风险源模拟目标确定模型相关辅助变量；

[0022] 将水电站库容和总发电量视作模型存量，将水电站入流，出流以及日发电量视作模型流量，将不同变量通过有向因果链连接从而构建描述水电站运行基础的系统动力学模型；

[0023] 根据水电站实际结构在基础系统动力学模型中添加用以描述系统结构细节的变量，包括将出库流量细化为通过不同泄水设施下泄的水量，建立库水位与不同设施的泄流能力关系，同样采用有向因果链连接构建水电站运行精细化系统动力学模型；

[0024] 结合风险源模拟目标添加相应辅助变量，采用有向因果链连接构建水电站运行多维风险系统动力学模型。

[0025] 可选的，所述出流包括通过各种泄水设施的出流，溢流量，库区蒸发及下渗所造成的水量损失。

[0026] 可选的，所述借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合具体包括：

[0027] 借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合，以系统动力学中每时刻库水位和入库流量作为LSTM模型输入，将LSTM模型输出流量作为当前时刻系统出库流量反馈至系统动力学模型中。

[0028] 可选的，所述根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式具体包括：

[0029] 结合安全管控目标确定模拟时长及时段步长，模型主要控制方程包括水量平衡方程及发电量计算方程，如下：

[0030] 水量平衡方程Vi,t+1＝Vi,t+Ii,t+LIi,t‑QPi,t‑QFi,t‑QOVi,t‑QLi,t  (6)[0031] 式中，Vi,t+1表示第i座水库在t时段末的库容；Vi,t表示第i座水库在t时段初的库容；Ii,t表示第i座水库在t时段内由上游水库释放所产生的入流量；LIi,t表示上下游两座水P库之间在t时段内产生的区间入流量；Q i,t表示第i座水库在t时段内经由机组释放的发电F OV
流量；Q i,t表示第i座水库在t时段内经由除机组外的其他泄水设施释放的流量；Q i,t表示L
第i座水库在t时段内漫顶所产生的溢流量；Qi,t表示第i座水库在t时段内的由于蒸发、下渗等原因造成的其他水量损失；

[0032] 发电量计算方程，Pi,t＝9.81×η×Hi,t×QPi,t×t  (7)

[0033] 其中，Pi,t表示第i座水库在t时段内产生的发电量；η表示第i座水库的机组效率系数；Hi,t表示第i座水库在时段t内的平均水头。

[0034] 本发明提供的一种梯级水电站多维安全智能管控方法，所述管控方法包括：收集目标梯级水电站的基础资料；采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则；确定极端风险源模拟目标，梯级水电站安全管控目标和目标管控期；采用系统动力学方法构建梯级水电站系统动力学模型；借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合；根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式，结合安全管控目标确定模拟时长及时段步长；根据安全管控目标划定多维安全约束条件，通过布尔逻辑运算和极值函数控制模型相关变量；运行所述梯级水电站系统动力学模型，获得在极端风险情景下多维安全目标管控期内的梯级水电站智能调度方案。能够为复杂风险源综合作用下的梯级水电站系统多维安全调度方案制定提供技术支撑，提升梯级水电站风险智能化管控水平。

[0035] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

[0036] 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的前提下，还可以根据这些附图获得其它的附图。

[0037] 图1为本发明实施例提供的LSTM模块示意图；

[0038] 图2为本发明实施例提供的水电站基础系统动力学模型示意图；

[0039] 图3为本发明实施例提供的水电站精细化系统动力学模型；

[0040] 图4为本发明实施例提供的水电站多维风险系统动力学模型；

[0041] 图5为本发明实施例提供的模型耦合计算方法；

[0042] 图6为本发明实施例提供的LSTM模型适应性调度规则提取效果；

[0043] 图7为本发明实施例提供的梯级水电站系统动力学模型；

[0044] 图8为本发明实施例提供的梯级水电站多维安全目标管控期内智能调度方案示意图。

具体实施方式

[0045] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

[0046] 本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。

[0047] 下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。

[0048] 本发明提出了一种梯级水电站多维安全智能管控方法，可为复杂风险源综合作用下的梯级水电站系统多维安全调度方案制定提供技术支撑，提升梯级水电站风险智能化管控水平。

[0049] 实施例1

[0050] 一种梯级水电站多维安全智能管控方法，其具体步骤如下：

[0051] 收集目标梯级水电站水位库容关系曲线、泄流尾水关系曲线、各泄水设施泄流能力曲线、历史运行调度数据(库水位、入库流量、出库流量)基础资料。

[0052] 采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则，以人工智能模型中的LSTM模型为例，将库水位和入库流量划定为模型输入数据，将出库流量划定为输出数据，设定LSTM模型所需参数(最大迭代次数、隐藏层数、节点数等)，LSTM中每个单元的核心组成包括遗忘门，输入门，细胞状态和输出门。

[0053] 如图1所示。首先，遗忘门将来自前一单元的输出信息和当前输入信息进行筛选丢弃，并传递至输入门(式1)。之后，输入门决定接收到的哪些信息需要更新，并添加到单元状态中(式2和式3)。最后，由输出门决定当前单元中的哪些信息输出到下一单元中(式4和式5)。本研究中所建立的LSTM网络包含一个输入层，一个LSTM隐藏层和一个输出层，采用时间反向传播算法不断调整权重和阈值来对网络进行训练。

[0054] 遗忘门：ft＝σ(WfXt+Ufht‑1+bf)  (1)

[0055] 输入门：it＝σ(WiXt+Uiht‑1+bi)  (2)

[0056] 单元状态：Ct＝ft·Ct‑1+it·tanh(WcXt+Ucht‑1+bc)  (3)

[0057] 输出门：Ot＝σ(WoXt+Uoht‑1+bo)  (4)

[0058] 隐藏门：ht＝Ot·tanh(Ct)  (5)

[0059] 式中，ftitCtOt分别表示遗忘门，输入门，单元状态，输出门。

[0060] Xt表示当前输入信息，ht表示隐藏层输出。

[0061] [Wf,Wi,Wc,Wo]，[Uf,Ui,Uc,Uo]，[bf,bi,bc,bo]分别代表各部分的输入信息权重矩阵，隐藏信息权重矩阵和偏差向量。σ()和tanh()分别代表sigmoid激活函数和双曲正切函数。

[0062] 将所收集的历史调度数据序列中80％确定为训练序列，20％确定为测试序列，运行模型使LSTM模型能够学习历史操作中的调度规则；

[0063] 确定极端风险源模拟目标，梯级水电站安全管控目标和目标管控期；

[0064] 采用系统动力学方法构建梯级水电站系统动力学模型，根据目标梯级水电站实际工程结构确定模型主要结构变量，根据极端风险源模拟目标确定模型相关辅助变量，由于水电站运行的基本逻辑相同，因此以梯级中某一水电站为例说明模型开发，对于梯级水电站则将上游水电站出库流量通过马斯京根方法转换为下游水电站的入库流量即可。将水电站库容和总发电量视作模型存量，将水电站入流，出流(包括通过各种泄水设施的出流，溢流量，库区蒸发及下渗所造成的水量损失)以及日发电量视作模型流量，将不同变量通过有向因果链连接从而构建描述水电站运行基础的系统动力学模型，如图2所示。

[0065] 根据水电站实际结构在基础系统动力学模型中添加用以描述系统结构细节的变量，包括将出库流量细化为通过不同泄水设施下泄的水量，建立库水位与不同设施的泄流能力关系，同样采用有向因果链连接构建水电站运行精细化系统动力学模型，如图3所示，假设目标水电站包括机组过流和闸门过流两种形式。

[0066] 最后，结合风险源模拟目标添加相应辅助变量，采用有向因果链连接构建水电站运行多维风险系统动力学模型，以闸门过流能力受损和机组发电机受损停转为例进行说明，如图4所示。

[0067] 借助Python编程语言将人工智能模型与系统动力学模型的有关变量相耦合，以系统动力学中每时刻库水位和入库流量作为LSTM模型输入，将LSTM模型输出流量作为当前时刻系统出库流量反馈至系统动力学模型中，如图5所示，从而以适应性调度规则控制模型的整个运行过程。

[0068] 根据模型主要控制方程和目标梯级水电站的相关数据确定模型变量函数表达式，结合安全管控目标确定模拟时长及时段步长，模型主要控制方程包括水量平衡方程(式6)及发电量计算方程(式7)，如下：

[0069] Vi,t+1＝Vi,t+Ii,t+LIi,t‑QPi,t‑QFi,t‑QOVi,t‑QLi,t  (6)

[0070] 式中，Vi,t+1表示第i座水库在t时段末的库容；Vi,t表示第i座水库在t时段初的库容；Ii,t表示第i座水库在t时段内由上游水库释放所产生的入流量；LIi,t表示上下游两座水P库之间在t时段内产生的区间入流量；Q i,t表示第i座水库在t时段内经由机组释放的发电F
流量；Q i,t表示第i座水库在t时段内经由除机组外的其他泄水设施(包括深孔、表孔、溢洪OV L
道等)释放的流量；Q i,t表示第i座水库在t时段内漫顶所产生的溢流量；Qi,t表示第i座水库在t时段内的由于蒸发、下渗等原因造成的其他水量损失；

[0071] Pi,t＝9.81×η×Hi,t×QPi,t×t  (7)

[0072] 其中Pi,t表示第i座水库在t时段内产生的发电量；η表示第i座水库的机组效率系数；Hi,t表示第i座水库在时段t内的平均水头。

[0073] 假设安全管控期为一年，极端风险源为在汛期开始时(第180天)水库闸门过流能力一半受损和机组发电机受损一半停转，则水电站多维风险系统动力学模型中各变量函数表达式见表1：

[0074] 表1模型结构变量表达式

[0075]

[0076]

[0077] 根据安全管控目标划定多维安全约束条件，通过布尔逻辑运算和极值函数控制模型相关变量，假设多维安全管控目标包括防洪和发电两方面，防洪安全要求水位低于水电站校核洪水位，发电安全要求水电站最小日发电量满足保证出力下的最小日发电量，则模型有关变量在多维安全约束条件的函数表达式见表2：

[0078] 表2多维安全约束下模型相关变量表达式

[0079]

[0080] 运行模型，获得在极端风险情景下多维安全目标管控期内的梯级水电站智能调度方案。

[0081] 实施例2

[0082] 收集某流域A‑B梯级水电站基础资料，水电站A正常蓄水位600m，死水位540m，水电站B正常蓄水位380m，死水位370m；

[0083] 采用人工智能模型从历史运行调度数据中提取带有管理者主观决策偏好的梯级水电站适应性调度规则；本示例中选用长短期记忆网络LSTM模型，历史调度数据包括2015年1月1日至2020年1月1日的日数据，按照“二八原则”将2015年1月1日‑2018年12月31日数据作为训练集，2019年1月1日‑2020年1月1日数据作为测试集。以入库流量和库水位作为模型输入，出库流量作为模型输出，对LSTM模型进行训练并测试其精度，测试效果如图6所示；

[0084] 本示例中水电站A及水电站B均设置有可调节闸门、发电机组两种泄流设施，日常运行中两座水电站优先采用机组过流。本示例极端风险事件为在丰水年来水条件下，由于遭受地震或工程老化等原因造成两座水电站机组发生故障，一半停机，并且有九个月维修期。安全管控目标为梯级水电站发电安全及防洪安全，目标管控期为自机组发生故障后一年；

[0085] 构建梯级水电站系统动力学模型，模型整体结构如图7所示。为实现对于机组故障的模拟在模型中添加“机组可用系数”作为模型辅助变量。

[0086] 将第二步中训练完成的LSTM模型与梯级水库系统动力学模型相耦合，以适应性调度规则控制模型的整个运行过程。

[0087] 确定模型变量表达式，确定模拟时长及时段步长，本示例中模拟时长为1月1日‑12月31日共计365d，时段步长为1d，主要变量表达式见表3。

[0088] 表3模型结构变量表达式

[0089]

[0090]

[0091] 根据安全管控目标划定多维安全约束条件，本示例中发电安全控制水电站最小出力为保证出力，防洪安全控制水电站最高水位不超过校核洪水位，通过布尔逻辑运算和极值函数调整模型相关变量计算表达式，如表4所示。

[0092] 表4多维安全约束下模型相关变量表达式

[0093]

[0094] 运行模型，获得极端风险情景下梯级水电站多维安全目标管控期内的智能调度方案，如图8所示。

[0095] 有益效果：本发明提出了一种梯级水电站多维安全智能管控方法，可为复杂风险源综合作用下的梯级水电站系统多维安全调度方案制定提供技术支撑，提升梯级水电站风险智能化管控水平。

[0096] 以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。