非弃水期葛洲坝水电站下游水位变化过程预测新方法

由于现有的水电站下游水位预测方法计算误差较大,选择葛洲坝水电站为研究对象,提出一种新的电站在不弃水情况下的下游水位变化过程预测方法。该方法基于BP神经网络算法,利用水电站监控数据实现电站下游水位的高精度预测,满足电站实时调度需求。对比现有的水位流量曲线查值法和非恒定流经验公式法,该方法有如下优势:①无需采用出库流量进行预测,避免了流量计算误差的影响;②建模过程中考虑了下游水位变化"后效性"影响,大幅提升水电站调峰时的预测精度;③可直接计算下游水位变化过程,计算结果稳定,精度更高,尤其在非弃水期葛洲坝水电站大调峰工况下,预测精度明显提高。     

基于相空间理论和支撑向量回归的入库径流预测

为得到一种适用性强且精度较高的水电站短期入库径流预测方法,研究构建了一种耦合相空间理论和支撑向量回归的日内入库径流预测方法。首先,利用互信息和虚假邻近点理论对入库径流历史数据进行相空间重构;然后,运用网格搜索算法对支撑向量回归模型进行参数率定和模型训练;最后得到径流预测的模型数据集。以三峡水库为例的研究结果表明,3种组合模型相比3种单一模型预测精度(相关系数R^(2))提升了8.9%~22.2%;所构建的组合模型(PSR-SVR)与3种单一预测模型、其他2种组合预测模型相比能够显著提高整体预测精度,与其他组合模型相比预测精度提高了4.1%~7.2%。方法也验证了相空间重构技术能有效应对混沌特性和还原径流序列的原始演变规律。     

基于自由搜索的水库入库含沙量预测模型

水库泥沙淤积问题直接关系到水库的规模、寿命以及综合经济效益的发挥。入库水流含沙量是影响水库调度运行以及水库泥沙淤积的主要因素,目前国内结构简单、实用性较强的含沙量预测模型不多。以水库的入库站流量及上游站至入库站的区间流量为研究对象,提出了基于两个水文站流量的水库入库含沙量的预测模型,采用改进的自由搜索算法率定模型参数,并将模型应用于龚嘴水库的入库含沙量的预测。研究结果表明,构建的模型结构简单,参数率定便捷,预测含沙量的精度较高,为水库入库含沙量预测提供了一种简便适用的方法。     

葛洲坝水电厂增发电量的主要措施

根据《水电站水库经济调度条例》规定,为执行《水力发电节水增发电量奖励试行办法》创造条件,我们对葛洲坝水电厂的能量指标进行复核,编制了经审定过的《葛洲坝水电厂能量指标复核报告》。按复核过的下游综合水位流量关系曲线、水头损失曲线、非弃水期出力系数以及水轮发电机组制造厂提供的机组预想出力限制线,求得葛洲坝水电厂出力与流量关系列于表1。     

三峡水库水文气象预报不确定性及误差分布分析

准确、及时的水文气象预报信息是水库实时预报调度的基础和技术支撑。基于长江水利委员会水文局发布的三峡水库历年短中期入库流量预报成果,综合评定了预报精度和水平,分析了降雨量级、落区及入库流量级别等因素对预报误差的影响,比较了正态分布和非参数估计两种方法用于估计预报相对误差概率密度函数的效果。结果显示,采用非参数估计推求的概率密度函数与样本拟合程度高,可应用于三峡水库水文气象预报定量风险管理。     

三峡水库入库流量中期预报水文模型研究与应用

准确、及时的水文气象预报是水库优化调度的基础。三峡水库建成后,库区水文水力学特性发生了明显变化。长江委水文局预报中心在原来长江上游中期预报基础上不断改进与创新,设计了基于多种模式数值预报的长江上游分区中期面雨量预报模型,在三峡水库入库流量预报方案中引进了MIKE11水力学预报模型。基于长江委水文局2010～2017年发布的分区面雨量预报和三峡水库中期入库流量预报成果,分析了面雨量和三峡入库流量预报精度以及预报误差出现的可能原因,并对未来中期水文气象预报发展趋势进行了展望。     

基于集对分析的马尔可夫链入库流量分布特征动态分析

不确定性问题具有随时间动态变化,且具有多样性、变异性和复杂性及不精确性。其中许多不确定性问题呈现某种趋势的非平稳随机过程,即具有将来与过去无关的特性,而对这类问题的预测研究采用基于集对分析的马尔可夫链的动态预测模型。根据小浪底水库1919年~1974年的入库流量资料,应用有序样品聚类原理将入库流量分成枯水、偏枯、中水、偏丰、丰水5种等级区间;以各滞时步长马尔可夫链的集对权重,预测1973年~1974年的入库流量,将其所在状态区间与实测值进行对比。结果表明,基于集对分析的马尔可夫链模型对小浪底水库入库流量预测精度较高。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

天生桥一级水电站月平均入库流量逐月滚动预测模型

由于江河流域的月平均流量变化与月尺度的短期气候变化密切相关,因此作为一种尝试,将月尺度短期气候变化的逐月滚动预测模型直接用于江河流域的月平均流量预测。文中从短期气候变化的逐月滚动预测模型出发,建立了天生桥一级水电站月平均入库流量的一种逐月滚动预测模型,并用该模型对天生桥一级水电站2004年1月以后的月平均入库流量进行预测,取得了较为满意的效果。     

基于三峡—葛洲坝梯级出力最大的两坝间水位控制策略

基于三峡—葛洲坝梯级统一调度的思想,首先分析了三峡水库不同出库流量下两坝间水位变化对梯级水电站运行水头的影响规律,然后以三峡水库汛限水位和正常蓄水位为例,利用建立的梯级水电站发电模拟模型探讨了两坝间水位变化对梯级出力的影响。最后,通过大量模拟计算,得到三峡水库坝前水位和出库流量各种组合下的梯级最大出力及其对应的两坝间水位,据此提炼了两坝间水位的优化控制策略。     

基于LSTM神经网络的水电站短期水位预测方法

针对常规水位预测方法信息挖掘能力不足和启发式算法机理不明确等缺点,提出了一种基于长短时记忆(long short-term memory, LSTM)网络的水位预测方法。该方法采用水位和出力等直接监测数据,避免了出入库流量等间接计算值带来的二次误差,进而提升水位预测的准确率;采用梯度下降法与Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法相结合训练模型,Wolfe-Powell线搜索方法选取步长,提高模型收敛速率。将该方法用于葛洲坝水电站的上下游水位预测,结果表明,该方法能够实现下游水位连续6 h和上游水位连续3 h的准确预测,具有较高的预测精度和实用性,为葛洲坝水库的实时调度提供了技术支撑。     

清江来水对葛洲坝水电站调度策略影响研究

葛洲坝水电站调度难点主要在于下游水位变化的不确定性,下游水位极易受到清江来水的顶托影响。为探索清江来水的顶托作用对葛洲坝水电站调度策略的影响,利用实测水文数据统计分析清江来水对宜昌水文站的顶托影响量,并据此分析水电站的损失出力。结果表明：清江来水对宜昌站的顶托作用随着清江来水的增大而增大、随着宜昌站流量的增大而减小,电站损失出力随着清江来水的增大而增大、随着出库流量的增大而先增大后减小,当出库流量为满发流量时达到最大损失出力值。研究成果可为葛洲坝电站调度策略提供参考,实际调度还需要结合三峡水库联合调度,优化水位控制,综合制定调度决策。     

基于相关向量机的调水工程调蓄水位预测模型

调蓄水位与其影响因素之间存在着复杂的非线性关系,针对BP神经网络模型的局限性,选取泵站开启时间差、起调水位、入流量、出流量作为主要影响因素,建立一种基于相关向量机(relevance vector machine, RVM)的调水工程调蓄水位预测模型。通过实例应用表明在相同样本情况下与BP神经网络模型预测结果相比,RVM预测模型均方根误差和平均绝对误差均小于BP神经网络预测模型的预测结果,说明在调水工程调蓄水位的预测中,RVM预测模型具有精度高、离散性小等优点,为调水工程调蓄水位的预测提供了一条新途径。     

三峡水库入库流量计算及调洪演算方法探讨

三峡水库属于典型的河道型水库,动库容巨大,用传统的静库容推算入库流量的方法和调洪演算方法难以满足三峡水库实时调度要求。通过分析入库流量、计算方法和调洪演算方法,建立库区水动力学模型,推求其变化规律,探讨三峡水库入库流量计算和调度演算方法,并通过2009,2010年的洪水检验,表明所用方法具有较高的精度,基本满足了三峡水库实时调度的要求。     

天生桥一级水电站月平均入库流量逐月滚动预测模型

由于江河流域的月平均流量变化与月尺度的短期气候变化密切相关，因此天生桥一级水电站参照月尺度的短期气候变化的逐月滚动预测模型建立了江河流域的月平均流量逐月滚动预测模型，并用该模型对天生桥一级水电站2001年1月以后的逐月平均入库流量和瞬时最大入库流量进行了预测。     

基于小波分解的日径流逐步回归预测模型

本文以预测水文站的上游水文站的日径流序列为依据,利用小波分解和重构得到预测水文站及上游水文站的日径流序列在1~4尺度下的概貌分量,然后以各站的原始径流序列及其在不同尺度下的概貌分量为候选预报因子,建立了径流逐步回归多步预测模型。计算实例表明,由于引入了上游水文站的径流序列并提取了各站径流序列的不同尺度下的概貌分量,本文提出的基于小波分解的日径流逐步回归预测模型的预测精度高于小波网络模型和多元自回归模型,能对非凌汛期未来1~3d以及凌汛期1~7d的日均流量进行预测,可为制定水电站未来的发电计划提供科学的依据。     

基于VMD-BP模型的河流流量预测方法

河流流量是水文监测和水资源管理的重要指标,流量预测对于水利建设、航运规划和水资源调度等方面具有重要的指导意义和参考价值。结合变分模态分解(VMD)处理非平稳序列的优势以及BP神经网络(BPNN)处理非线性拟合的能力,提出和构建了基于VMD-BP模型的河流流量预测方法。以长江宜昌水文站为实例,基于1998年和1999年的日水位和日流量数据,对方法模型进行了验证。结果表明:VMD-BP模型在一定程度上解决了水位和流量的多值关系,降低了数据的波动性,预测结果优于线性拟合的回归模型和BPNN模型,预测误差仅为1.61%,为河流流量预测提供了一种有效的方法。     

改进的投影寻踪技术在实际预报中的应用

针对传统的投影寻踪技术中投影与寻踪两个核心问题进行改进,用实数编码的遗传算法代替高斯一牛顿进行投影方向优化、利用非线性参数Hermite多项式代替非参数方法估计岭函数。建立基于改进的投影寻踪预测技术水电站入库流量预报模型,并将模型用于杂谷脑流域水电站的入库流量预测,研究表明改进的投影寻踪技术能够以较快速度收敛于模型全局最优解,研究成果为杂谷脑梯级水电站中期调度奠定了基础,也为其他流域水电站中期入库流量预报提供了重要借鉴。     

基于Copula函数的多变量水文不确定性处理器

传统的水文不确定性处理器(HUP)属于单变量结构类型,只能独立地给出各预见期实际流量的贝叶斯后验概率密度,没有考虑它们之间的内在相关性。本文利用Copula函数推导了贝叶斯转移预报(BTF)方法中后验转移密度的解析表达式,提出了基于Copula函数的贝叶斯转移预报(CBTF)方法和基于Copula函数的多变量水文不确定性处理器(CMHUP),进而发展了基于Copula函数的贝叶斯极值预报(CBEF)方法,并应用于三峡水库入库洪水预报中。结果表明:所提方法实用有效,CBTF方法和CMHUP可以定量地评估三峡水库入库流量转移预报的不确定性,准确揭示了水文预报不确定性在时间上的演变特征,CBEF方法则提供了预见期时段内最大入库流量预报的不确定性信息。所提方法不需要进行线性-正态假设,能够很好地捕捉流量过程的非线性和非正态特征,适用范围更加广泛,对于支撑防洪减灾和水库运行调度具有重要的参考价值。     

一种新型耦合模型在月径流预测中的应用

基于投影寻踪分析与随机分析提出了一种新的耦合预测模型,运用投影寻踪技术将年内12个月径流由遗传算法优化得投影值,获取投影值与年径流的相关关系;建立年径流预测模型,由预测的年径流推算对应的投影值z^;寻找与z^最近邻的h个模式,由最近邻回归进行年内月径流展望预测。将耦合模型应用于宝珠寺和三峡水电站入库月径流展望预测,结果表明该耦合模型可行且预测效果较好。