基于云边融合架构的小水电发电量预测系统及其实现方法与流程

本发明属于水电发电量预测技术领域，具体涉及一种基于云边融合架构的小水电发电量预测系统及其实现方法。

背景技术：

电网是国家重要的基础设施之一，直接服务于国民经济和人们生活。电网的安全稳定运行是经济发展、社会稳定、国家长治久安的重要保障。广西电网地处南方西电东送大通道上，其安全稳定运行不仅是广西全社会经济发展的重要保障，也是整个南方电网安全稳定重要前提。

在我国，小水电是指装机容量不超过25mw的水力发电站。作为一种国际公认的绿色可再生能源，近年来，小水电的装机规模迅速扩大。然而我国小水电站具有装机规模小、点多面广、维护困难、管理分散、位置偏远、通信条件差、自动化水平落后等问题，与大型水电站的科学调度、规范管理相比，小水电站基本上仍处于无序管理状态。无序的管理导致各级调度机构间信息孤岛的出现，使得汛期小水电窝水、弃水严重。至今，尚未建立起小水电调度运行数据的在线实时采集与发电预测系统，小水电基本处于“盲调”状态，严重影响了主电网调度中心对其运行状况的了解，无法对它们进行有效的调控，影响广西电网的安全、稳定、经济运行。

技术实现要素：

本发明的目的在于针对现有技术中的上述问题，提出了一种基于云边融合架构的小水电发电量预测系统及其实现方法，实现了对多个区域小水电群发电量的采集和监视，还实现对小水电发电功率的预测。

为实现上述发明目的，本发明采用了如下技术方案：

基于云边融合架构的小水电发电量预测系统，该系统包括：边缘服务器和云计算服务器；所述边缘服务器用于储存所测区域的气象数据和小水电发电数据，以及构建小水电群发电量预测模型，并根据由云计算服务传来的实时气象数据和小水电发电数据利用预测模型预测所测区域小水电群未来发电量，然后将预测结果回传云计算服务器；云计算服务器用于将从外部系统采集到的所测区域实时气象数据和小水电发电数据传输至边缘服务器，并通过互联网与终端设备进行人机交互，将预测结果传输给终端设备；其中，

所述云计算服务器包括气象数据模块、小水电数据模块、小水电发电量预测模块；

气象数据模块：用于从外部系统采集所测区域的实时气象数据，并传输给边缘服务器和小水电发电量预测模块；

小水电数据模块：用于从外部系统采集所测区域内各小水电实时发电数据，并传输给边缘服务器和小水电发电量预测模块；

小水电发电量预测模块：用于调取储存在边缘服务器的历史气象数据、小水电发电数据和发电量预测结果，并以图表的形式传输给终端设备。

上述云计算服务器还包括与小水电发电量预测模块连接的小水电发电量比较模块、流域小水电分布模块、区域小水电分布模块；其中，

小水电发电量比较模块：用于进行所测区域小水电群预测发电量与实际发电量、发电准确率与预测发电准确率在不同时间段内的比较，并以图表的形式传输给终端设备；

流域小水电分布模块：用于将所有小水电按照所属流域进行划分，并进行小水电基础数据信息管理、地理定位以及运行数据管理，并将各流域小水电群发电量以图表的形式传输给终端设备；

区域小水电分布模块：用于将所有小水电按照所属区域进行划分，并进行小水电基础数据信息管理、地理定位以及运行数据管理，并将各区域小水电群发电量以图表的形式传输给终端设备。

上述小水电发电量数据包括所测区域的小水电历史发电量、实时发电量数据、实时功率；气象数据包括所测区域降雨量、温度、湿度数据。

上述区域按照行政级别划分为省、地、县三级。

上述云计算服务器与边缘服务器和外部系统之间采用虚拟专用网络传输数据。

上述基于云边融合架构的小水电发电量预测系统的实现方法，包括如下步骤：

s1.气象数据模块和小水电数据模块分别从外部系统采集所测区域历史气象数据和小水电发电数据，并传输给边缘服务器并储存在数据库中；

s2.边缘服务器将小水电按所属区域划分成多个小水电群，然后从数据库中调取所测区域历史气象数据和小水电发电数据，构建出小水电群发电量预测模型；

s3.气象数据模块和小水电数据模块分别从外部系统采集所测区域实时气象数据和小水电发电数据，并传输至边缘服务器，边缘服务器根据这些数据利用步骤s2所得的预测模型预测所测区域小水电群的未来发电量，并将预测结果回传给小水电发电量预测模块；

s4.小水电发电量预测模块通过互联网将预测结果以图表的形式传输给终端设备。

上述步骤s2中构建出小水电群发电量预测模型的方法包括如下步骤：

s2.1边缘服务器将小水电按所属区域划分成多个小水电群，然后从数据库中调取各小水电的历史发电量，并将各区域中的小水电每小时历史发电量加合，得到该区域小水电群第i小时总发电量esi(i＝0,1,2,…23)，i为小时数；

s2.2从数据库中获取各区域以小时为单位的历史气象数据，并按时间与所在区域小水电群第i小时总发电量esi(i＝0,1,2,…23)建立联系；

s2.3随机取一部分的历史气象数据和发电量数据做为训练数据，其余部分作为测试数据；

s2.4利用大数据挖掘对训练数据进行预处理，填补缺失数据，去除噪声数据，剔除坏数据；

s2.5.预处理后，将不同单位的训练数据进行归一化处理；

s2.6在连续型模型中添加两个长短期记忆网络结构和一个全连接神经网络结构得到训练模型，设置全连接神经网络结构激活函数为selu，公式为：

其中，k在代表神经网络迭代过程中的特征量输出，常数λ取值为1.0507，常数a取值为1.6732，e为自然常数；

s2.7.将步骤s2.5归一化处理后的数据作为训练模型的输入量进行模型训练；

s2.8以测试数据的发电量真实值与训练模型发电量预测值的均方根误差最小为优化目标进行优化计算，其公式为：

其中，mse为均方根误差，j(1,2…n)为单个测试数据在测试数据集中的序号，n为数据集的个数，yj为测试数据的发电量真实值，y'j为训练模型发电量预测值；

当判定均方根误差mse为最小时结束模型训练，此时得到最终的预测模型；

上述一天的历史气象数据包括：

降雨量ri(i＝0,1,2,…23),温度wi(i＝0,1,2,…23),湿度hi(i＝0,1,2,…23)，i为小时数。

上述步骤s2.4中对训练数据进行预处理时，对出现的错误数据进行补充替换的步骤如下：

取错误数据前两个时刻和后两个时刻的平均值作为错误时刻数据的补充替换，即若i超过所设区间，则取前一日或后一日相应时间。

上述步骤s2.7中进行模型训练的步骤如下：

对于模型整体：每一个输入的数据点大小为(3，24)，经过训练输出大小为(1，1)的数据点，输出为下一小时负荷值；

对于第一层长短期记忆网络结构：输入维度为3，时间窗口为24，输出维度为d1(50≤d1≤80且d1∈z⁺)；

对于第二层长短期记忆网络结构：输入维度为d1(50≤d1≤80且d1∈z⁺)，时间步长为1，输出维度为d2(80≤d2≤100且d2∈z⁺)；

对于全连接神经网络结构层：输入维度为d2(80≤d2≤100且d2∈z⁺)，输出维度为1，用于输出结果降维。

相比于现有技术，本发明的优势在于：

本发明揭示的基于云边融合架构的小水电发电量预测系统及其实现方法，从外部系统采集所测区域的实时气象数据和小水电发电数据，通过vpn通道直接上送云计算服务器，通过互联网实现系统的人机界面。另一方面，云计算服务器将气象数据和小水电发电数据传给边缘服务器储存，构建出小水电发电量预测模型，并利用该模型进行小水电发电量预测，然后将预测结果回传云计算服务器，完成了数据分析、挖掘、预测等系统核心分析功能，最终将预测、分析结果通过互联网传输到终端设备上展示。本发明是“云计算”及“边缘计算”技术的有机结合应用的典型案例，在提高系统可靠性的同时，有效的解决了电网敏感数据储存、传输、展示的问题。

此外，本发明的小水电发电量预测方法采用大数据挖掘技术对坏数据进行预处理，然后再做归一化处理，利用大数据挖掘技术增加了数据的独立性，降低了数据的冗余性，有效的减少了训练数据，进一步提升了模型训练的速度和精度；利用两层长短期记忆神经网络(lstm)和一层全连接神经网络(dense)，对历史气象数据和小水电发电量数据进行训练，并以测试数据的发电量真实值与训练模型发电量预测值的均方根误差最小为优化目标进行优化计算，最终得到小水电群的发电量预测模型，实现了考虑气象因素的小水电群发电量预测方法。

附图说明

图1是本发明基于云边融合架构的小水电发电量预测系统的的架构图。

图2是本发明小水电发电量预测方法的流程图。

图3是本发明双层lstm和一层dense预测模型图。

具体实施方式

以下结合实施例及其附图对本发明技术方案作进一步非限制性的详细说明。

如图1所示，基于云边融合架构的小水电发电量预测系统包括：边缘服务器和云计算服务器；边缘服务器用于储存所测区域的气象数据和小水电发电数据，以及构建小水电群发电量预测模型，并根据由云计算服务传来的实时气象数据和小水电发电数据利用预测模型预测所测区域小水电群未来发电量，然后将预测结果回传云计算服务器，边缘服务器可采用电网调度中心本地服务器；云计算服务器用于将从外部系统采集到的所测区域实时气象数据和小水电发电数据传输至边缘服务器，并通过互联网与终端设备进行人机交互，将预测结果传输给终端设备，以webservice的形式设计并完成对外数据接口，以便数据传入；云计算服务器和边缘服务器的操作系统可以是“linux”，“windows”。

其中，云计算服务器包括气象数据模块、小水电数据模块、小水电发电量预测模块；

气象数据模块：用于从外部系统采集所测区域的实时气象数据，并传输给边缘服务器和小水电发电量预测模块。该模块可按降雨量、温度、湿度等方式展示气象数据，也能按流域降雨、区域降雨等形式展示不同片区降雨，还能按日、周、月、季、年等不同时间尺度查询历史气象，还有阶梯图、折线图等不同展示形式。

小水电数据模块：用于从外部系统采集所测区域内各小水电实时发电数据，并传输给边缘服务器和小水电发电量预测模块。该模块可以查询所测区域小水电实时发电量情况，数据展示的时间尺度可选为月度、季度、年度，月度时间跨度为30天，季度跨度为90天，年度为365天。

小水电发电量预测模块：用于调取储存在边缘服务器的历史气象数据、小水电发电数据和发电量预测结果，并以图表的形式传输给终端设备,以曲线和表格的形式展示小水电发电量预测值、实际值和准确率，按预测时间尺度划分为超短期、短期、长期预测，该模块提供了历史查询功能，可通过日历查询不同日期的预测结果。终端设备包括移动终端和台式电脑终端。

云计算服务器还包括与小水电发电量预测模块连接的小水电发电量比较模块、流域小水电分布模块、区域小水电分布模块；其中，

小水电发电量比较模块：用于进行所测区域小水电群预测发电量与实际发电量、发电准确率与预测发电准确率在不同时间段内的比较，并以图表的形式传输给终端设备。时间段显示尺度有周间、月度、季度三个尺度，模块采用柱形图与曲线展示数据。

流域小水电分布模块：用于将所有小水电按照所属流域进行划分，并进行小水电基础数据信息管理、地理定位以及运行数据管理，并将各流域小水电群发电量以图表的形式传输给终端设备；

区域小水电分布模块：用于将所有小水电按照所属区域进行划分，并进行小水电基础数据信息管理、地理定位以及运行数据管理，并将各区域小水电群发电量以图表的形式传输给终端设备。

小水电发电量数据包括所测区域的小水电历史发电量、实时发电量数据、实时功率；气象数据包括所测区域降雨量、温度、湿度数据。

区域按照行政级别划分为省、地、县三级。

云计算服务器与边缘服务器和外部系统之间采用虚拟专用网络(vpn)传输数据。外部系统数据通过vpn通道将所测区域气象数据和小水电发电数据上送云计算服务器，再通过vpn通道下送边缘服务器，数据不存储在云计算服务器中，而是储存在边缘服务器中，云计算服务器仅用于显示查询和预测结果。

采用上述基于云边融合架构的小水电发电量预测系统进行预测的方法，包括如下步骤：

s1.气象数据模块和小水电数据模块分别从外部系统采集所测区域历史气象数据和小水电发电数据，并传输给边缘服务器并储存在数据库中；

s2.边缘服务器将小水电按所属区域划分成多个小水电群，然后从数据库中调取所测区域历史气象数据和小水电发电数据，构建出小水电群发电量预测模型；

s3.气象数据模块和小水电数据模块分别从外部系统采集所测区域实时气象数据和小水电发电数据，并传输至边缘服务器，边缘服务器根据这些数据利用步骤s2所得的预测模型预测所测区域小水电群的未来发电量，并将预测结果回传给小水电发电量预测模块；

s4.小水电发电量预测模块通过互联网将预测结果以图表的形式传输给终端设备。

如图2所示，上述步骤s2中构建出小水电群发电量预测模型的方法包括如下步骤：

s2.1.将小水电按所属区域划分成多个小水电群，获取各小水电的历史发电量，并将各区域中的小水电每小时历史发电量加合，得到该区域小水电群第i小时总发电量esi(i＝0,1,2,…23)，i为小时数；所述区域按照行政级别划分为省、地、县(区)三级，便于分级调度、分级管理；

s2.2.从数据库获取各区域以小时为单位的历史气象数据，一天的历史气象数据包括：降雨量ri(i＝0,1,2,…23),温度wi(i＝0,1,2,…23),湿度hi(i＝0,1,2,…23)，i为小时数；并按时间与所在区域小水电群第i小时总发电量esi(i＝0,1,2,…23)建立联系；

s2.3.随机取80％的历史气象数据和发电量数据做为训练数据,其余20％的历史气象数据和发电量数据作为测试数据；

s2.4.利用大数据挖掘技术对训练数据进行预处理，填补缺失数据，去除噪声数据，剔除坏数据，填补缺失数据，消除噪声数据(数据明显偏离实际值)；对于上述出现的错误数据，由于小水电发电量在短时间内不会发生突变，故取错误数据前两个时刻和后两个时刻的平均值作为错误时刻数据的补充替换，即若i超过所设区间，则取前一日或后一日相应时间；

s2.5.将步骤s4预处理后的训练数据归一化到[0，1]区间，公式为：

式中，式中，x'表示输入参数归一化后的值，x表示原始输入值；xmax、xmin分别表示x的最大值、最小值；

将归一化处理后的数据集作为训练模型的输入量，进行模型训练。表1为归一化处理后某区域的历史气象数据和发电量数据，其中降雨量以毫米为单位，温度以摄氏度为单位，湿度为百分比，发电量以兆瓦时为单位。

表1

s2.6.如图3所示，在连续型模型中添加两层长短期记忆网络(lstm，longshort-termmemory)结构和一层全连接神经网络(dense)结构得到训练模型，设置全连接神经网络结构激活函数为selu，公式为：

其中，k在代表神经网络迭代过程中的特征量输出，常数λ取值为1.0507，常数a取值为1.6732，e为自然常数；

s2.7.将步骤s2.5归一化处理后的数据作为训练模型的输入量进行模型训练；

对于模型整体：每一个输入的数据点大小为(3，24)，经过训练输出大小为(1，1)的数据点，输出为下一小时负荷值；

对于第一层长短期记忆网络(lstm，longshort-termmemory)结构：输入维度为3(降雨量，温度，湿度)，时间窗口为24，输出维度为d1(50≤d1≤80且d1∈z⁺)；

对于第二层长短期记忆网络(lstm，longshort-termmemory)结构：输入维度为d1(50≤d1≤80且d1∈z⁺)，时间步长为1，输出维度为d2(80≤d2≤100且d2∈z⁺)；

对于全连接神经网络(dense)结构层：输入维度为d2(80≤d2≤100且d2∈z⁺)，输出维度为1，全连接神经网络(dense)结构层用于输出结果降维，使结果输出精度更高；

s2.8.以测试数据的发电量真实值与训练模型发电量预测值的均方根误差最小为优化目标进行优化计算，其公式为：

其中，mse为均方根误差，j(1,2…n)为单个测试数据在测试数据集中的序号，yj为测试数据的发电量真实值，y'j为测试数据的降雨、温度、湿度和训练数据的发电量作为训练模型输入得到的发电量预测值，n为数据集的个数；

当判定均方根误差mse为最小时结束模型训练，此时得到最终的预测模型；

s3.气象数据模块和小水电数据模块分别从外部系统采集所测区域实时气象数据和小水电发电数据，并传输至边缘服务器，边缘服务器根据这些数据利用步骤s2所得的预测模型预测所测区域小水电群的未来发电量，并将预测结果回传给小水电发电量预测模块；

s4.小水电发电量预测模块通过互联网将预测结果以图表的形式传输给终端设备。

本发明的优点是：

1)本发明的系统借助于云计算和边缘计算，对海量历史数据进行了深度挖掘和分析，为模型训练提供了优质的数据来源。

2)系统界面部署于虚拟专用网络(vpn)上，同时，实时数据直接由虚拟专用网络(vpn)通道直接上送云计算服务器，各类数据的展示享受云移动应用的优势。通过授权后，在任何具有联网功能的终端设备(手机、平板、台式电脑等)均可访问使用。

3)本发明的云计算服务器不存储历史数据，极大的减少了信息泄露、敏感数据被盗的可能。但需要强调的是，云计算服务器的可靠性达到了99.99％几乎存信息泄露的可能，前述的“减少”，建立在此数值基础上。

4)本发明的系统架构满足电网安防十六字方针，既“安全分区，网络专用，横向隔离，纵向认证”，能够在实际工业应用中得到有效的推广和应用。

5)本发明对小水电群采用了分级调度管理模式，将各县(区)小水电作为一个整体，降低了单个电站发电量的随机性对整个系统的影响，不仅考虑了时间序列对发电量的影响，还将气象变化作为影响发电量预测的因素。在构建预测模型之前，进行了坏数据的处理，增加了数据的独立性，降低了数据的冗余性，有效的减少了训练数据，提升了模型训练的速度。此外，还对长短期记忆神经网络(lstm)进行了改进和优化，设计了两层长短期记忆神经网络(lstm)和一个全连接神经网络(dense)的优化模型算法，进一步提升了模型的精度。本发明的方法可对小水电群发电量进行精准预测，实现了小水电站的综合有序管理，保证了电网的安全稳定运行。