一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法
【专利摘要】本发明涉及水电优化调度运行领域，涉及一种耦合偏互信息和CFS集合预报的小水电发电能力预测方法。首先采用偏互信息方法对已有的地区小水电日电量数据和气象数据进行分析，筛选对小水电发电能力具有显著影响的因子，然后以所选因子作为模型输入数据，建立改进的三层BP神经网络预测模型，并采用试算方法确定网络的最佳隐含层节点数，最后采用CFS预报获得相应地区长时间序列的气象数据，并结合其它因子作为神经网络模型输入对地区小水电中长期发电能力进行预测。本发明的有益效果是可以有效实现小水电发电能力预测，为小水电富集地区提供良好的参考和借鉴。
【专利说明】一种耦合偏互信息和CFS集合预报的小水电发电能力预测 方法
【技术领域】
[0001] 本发明涉及水电优化调度运行领域，特别涉及一种耦合偏互信息和CFS集合预报 的小水电发电能力预测方法。 技术背景
[0002] 我国水电能源丰富，其中作为国家节能发电调度中优先调度的清洁可再生能源的 小水电资源可开发量位居世界第一。随着节能发电调度工作的开展，小水电的建设和发展 得到快速推进。然而，由于缺乏有效的协调措施，无法准确预判小水电不同时期的发电能 力，导致小水电与其它电源挤占有限的输电通道资源而导致大规模窝电弃水的现象愈发严 重，不但造成清洁能源浪费，严重制约了小水电节能减排效益的发挥，而且严重威胁地区电 网的安全稳定运行，特别是在小水电富集的西南地区，这一现象尤为严重，亟需开展小水电 发电预测，以便电力调度部门对地区多种电源进行协调优化调度，从而提高小水电等清洁 能源的利用率。但是由于小水电多位于偏远山区的小流域，通信条件和硬件设施较差，缺乏 相应的水文资料以及降水、温度等气象观测资料，加之我国小水电统一调度管理起步较晚， 已有的小水电发电等资料十分有限，导致很多地区小水电的水文、气象、发电等数据贫乏， 给小水电发电预测带来了困难，难以采用传统的方法开展发电能力预测。因此，如何在贫资 料地区预测小水电发电能力是亟需解决的理论和实践问题。
[0003] 互信息是以信息论中的熵为基础，用于反映变量间的线性和非线性相关关系的一 种方法，而偏互信息是一种反映考虑了已选变量之后与其它变量间剩余相关关系的一种方 法，偏互信息方法为选择合适的与小水电发电能力相关的预报因子提供了良好的途径。另 夕卜，美国国家环境预报中心的CFS集合预报是耦合海-陆-气的动力季节预报系统，可为全 球提供最新的多时间尺度的降水等预报信息，其预报降水量可以作为小水电发电能力预测 输入数据。云南是我国水电富集的省份，其水电可开发资源量和小水电可开发量占我国水 电可开发资源量和小水电可开发量都为1/5。作为小水电富集地区的典型代表，云南省的小 水电建设和发展使云南电网安全稳定运行面临着同样威胁，具备了小水电发电能力预测方 法的实施条件。
[0004] 本发明成果基于小水电资源开发与利用需求，采用耦合偏互信息和CFS集合预报 的方法进行小水电发电预测，所提方法能够很好的考虑影响小水电发电能力的各种因素， 在较长的预见期内有效的预测小水电的发电能力，可以为小水电富集地区提供良好的参考 和借鉴。
【发明内容】
[0005] 本发明要解决的技术问题是提供一种耦合偏互信息和CFS集合预报的小水电发 电能力预测方法，可以很好的考虑影响小水电发电能力的各种因素，在较长的预见期内有 效的预测小水电的发电能力，为小水电富集地区小水电发电能力预测提供切实有效的方 法。
[0006] 本发明的技术方案为：本发明揭示了一种耦合偏互信息和CFS集合预报的小水电 发电能力预测方法，按照下述步骤（1)-(3)实现小水电发电能力预测，其中步骤（1)-(3)的 具体操作详细介绍如下：
[0007] (1)基于偏互信息的预报因子选择；
[0008] 1)设置待选因子集F {Vl，V }，其中 '为地区当日降水量或前几日降水量、 平均温度、湿度以及光照强度等待选因子，输出变量为地区小水电日发电量Eshp;已选因子 集S ;
[0009] 2)若S为空，由公式①、②估计各因子概率密度，并使用公式③计算各因子与输出 变量E shp之间的互信息；若S不为空，则由公式④计算剩余信息量，再由公式①、②估计概率 密度并进一步使用公式⑤计算偏互信息：
【权利要求】
1. 一种禪合偏互信息和CFS集合预报的小水电发电能力预测方法，其特征包括如下步 骤， (1) 基于偏互信息的预报因子选择； 1) 设置待选因子集F {Vi，V2…Vj.…}，Vj.为地区当日或前几日降水量、日平均温度、光照 强度，输出变量为地区小水电日发电量E,hp;已选因子集S; 2) 若S为空，则估计各因子概率密度，并计算各因子与输出变量E之间的互信息；若S 不为空，则计算剩余信息量，再估计概率密度并进一步计算偏互信息； 3) 计算各待选因子的Hampel距离{di，d2…cV，，}并进行排序； 4) 对于Hampel距离最大的因子Vj，如果dj〉3,则将该Vj加入S，并从F中去除V J，返回 步骤2);否则，因子选择结束，S即为所选因子集； (2) 改进的BP神经网络训练； 1) 通过引入学习率和动量项都自适应的方法对BP神经网络进行改进，得到该井的BP 神经网络. 2) 采用试算法，在一定的节点范围内，W训练集和测试集样本误差平方和加权最小为 目标进行试算，确定隐含层节点数； 3. W偏互信息得到的有效属性作为输入，通过试算确定隐含层节点数，W地区小水电 日电量作为输出构建BP神经网络模型； (3) 结合WS进行发电能力预测； 1) 获得WS气象预报文件并解析； 2) 利用双向线性插值得到预报时间范围内目标位置气象预报信息，并转化为日气象信 息； 3) 对同一天4次发布的未来同一天气象预报值进行集合平均，取地区各县级行政中屯、 得到的预报值作为地区气象预报值； 4) 利用BP神经网络模型进行预报，并发布结果。
【文档编号】G06Q50/06GK104463358SQ201410713154
【公开日】2015年3月25日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】程春田, 刘本希, 武新宇, 牛文静, 李秀峰, 蔡华祥, 蔡建章 申请人:大连理工大学