利用cfs集合預報產品的水電站中期滾動調度方法
【專利摘要】本發(fā)明涉及水電站預報和調度領域，公開了一種利用CFS集合預報產品的水電站中期滾動調度方法。其技術方案是：利用基于Fork/Join框架的多核并行下載技術每天定時從美國CFS集合預報服務器下載并解析具有較長預見期的CFS集合預報文件，獲得水電站提供最新的降雨預報，輸入已由有效歷史數(shù)據(jù)率定完成的BP神經網絡模型開展徑流預報，根據(jù)目標水電站的最新預報信息、實際工作狀態(tài)和所選優(yōu)化模型等，利用POA、DDDP等優(yōu)化方法滾動計算獲得水電站的最優(yōu)調度策略。本發(fā)明的有益效果是前瞻水電站實際調度需求，開展CFS集合預報產品的實用化應用，指導水電站中調調度，在我國水電站(群)的優(yōu)化調度運行管理中具有重要的意義。
【專利說明】利用CFS集合預報產品的水電站中期滾動調度方法
【技術領域】
[0001]本發(fā)明涉及利用集合預報產品的調度策略及方法，特別涉及基于CFS集合預報的水電站(群)的中期優(yōu)化調度運行，屬于預報和調度運行領域。
技術背景
[0002]徑流是水電站(群)優(yōu)化運行模型的最重要的輸入。其不確定性描述是否符合實際關系到優(yōu)化運行模型及其求解結果能否直接應用于生產實際。降水是影響徑流的關鍵因素，而單一的降雨預報信息量有限，可能導致某些場次的水文預報存在較大的偏差，進而影響水電站(群)的優(yōu)化調度運行。
[0003]近年來，集合數(shù)值天氣預報技術的發(fā)展，為降水和徑流預報提供了新的思路。集合預報將單一確定性預報轉變?yōu)楦怕暑A報，能夠很好地考慮到模型的不確定性、初始條件和邊界條件的變化及數(shù)據(jù)同化等多種因素，既可給出確定性預報值，又能提供預報值的不確定性信息，從而彌補單一確定性預報的不足，顯著減少預報的不確定性。美國國家環(huán)境預報中心(National Centers for Environmental Prediction, NCEP)的氣候預測系統(tǒng)(Climate Forecast System, CFS)是海洋大氣稱合的全球氣候預報系統(tǒng),可為全球提供最新的多時間尺度集合預測資料。許多研究結果表明，CFS數(shù)據(jù)預報精度和可信度較高，可為水電站(群)的中長期調度服務。
[0004]水電站(群)調度是一個“預報、決策、實施、再預報、再實施”的前向滾動決策過程，考慮其長期徑流變化規(guī)律和運行規(guī)律，以長期調度預案為指導，依據(jù)動態(tài)更新的CFS集合預報信息并結合當前工情、工況及歷史調度決策方案等相關信息，滾動制定調度方案，逐步修正調度偏差，既可滿足年、月、旬、周等大尺度步長下調度方案的指導性條件，又可充分考慮當前水情變化過程，確保調度方案的科學性合理性，保證當前計算時段和余留期效益的最大化。
[0005]目前國內外相關研究成果和文獻報道大多以研究為主，尚未見到集合預報產品的實用化應用。本發(fā)明前瞻水電站(群)實際調度需求，提出了一種利用CFS集合預報產品的水電站(群)中期滾動調度方法，指導水電站(群)中調調度，本成果在我國水電站(群)的優(yōu)化調度運行管理中具有重要的率先垂范意義。

【發(fā)明內容】

[0006]本發(fā)明要解決的技術問題是由CFS集合預報產品為水電站(群)提供最新的降雨預報，利用BP神經網絡模型開展徑流預報，滾動確定水電站(群)在最新預報信息下的調度策略，從而保證水電站(群)調度運行方案的科學性合理性，提高水電站(群)的運行效率和管理水平。
[0007]本發(fā)明的技術方案為:本發(fā)明揭示了一種利用CFS集合預報產品的水電站(群)中期滾動調度方法，按照下述步驟實現(xiàn)水電站(群)的中期滾動調度過程:
[0008](I)利用基于Fork/Join (多核并行下載)框架的多核并行下載技術每天定時從美國CFS集合預報服務器下載并解析預見期的CFS集合預報文件；
[0009](2)根據(jù)CFS集合預報文件特征信息及水電站(群)的控制點經緯度信息獲得CFS集合預報文件中與之最相近關鍵網格節(jié)點在不同預報時間下的預報降雨，采用雙線性插值和距離反比權重插值方法開展時空降尺度獲得水電站(群)不同預見期的預報降雨；
[0010](3)構造相應的影響因子數(shù)據(jù)并輸入已由有效歷史數(shù)據(jù)率定完成的BP神經網絡模型得到相應的徑流預報值；
[0011](4)調度決策人員根據(jù)目標水電站(群)的最新預報信息、實際工作狀態(tài)和所選優(yōu)化模型等，利用POA、DDDP等優(yōu)化方法滾動計算獲得水電站(群)的最優(yōu)調度策略，采用前面若干時段計算結果作為決策輔助信息指導水電站(群)運行；
[0012](5)在實施面臨時段決策的過程中，重復步驟(1)-(4)，可獲得最新預報信息及調度決策信息，形成“預報、決策、實施、再預報、再實施”的滾動調度過程；
[0013]本發(fā)明對比現(xiàn)有技術有如下有益效果:本發(fā)明前瞻水電站(群)實際調度需求，利用最新CFS集合預報降雨信息并輸入已由有效歷史數(shù)據(jù)率定完成的BP神經網絡模型開展徑流預報，滾動確定水電站(群)在最新預報信息及長期調度指導原則下的調度策略，形成“預報、決策、實施、再預報、再實施”的滾動調度過程，既能考慮歷史決策信息和長期調度預案，又可充分利用最新預報信息及水電站(群)實時工情、工況，確保調度運行方案的連續(xù)性、合理性；既可保證當前計算時段效益的最大化，又能保證余留期效益的最大化。
【專利附圖】

【附圖說明】
[0014]圖1是利用CFS集合預報產品的水電站(群)中期滾動調度方法流程及相應的關鍵技術圖。
[0015]圖2是基于Fork/Join框架的多核并行下載框架圖。
[0016]圖3是多線程下載及斷點下載示意圖。
[0017]圖4是CFS文件存儲結構示意圖。
[0018]圖5是在CFS產品文件中反向解析得到目標區(qū)域數(shù)據(jù)示意圖。
[0019]圖6是CFS降雨預報時空降尺度示意圖。
[0020]圖7是BP神經網絡模型結構示意圖。
[0021]圖8是BP神經網絡模型率定流程圖。
[0022]圖9是BP神經網絡模型預報流程圖。
[0023]圖10是滾動決策示意圖。
【具體實施方式】
[0024]下面結合附圖和實施例對本發(fā)明作進一步的描述。具體步驟如下:
[0025]I利用基于Fork/Join框架的多核并行下載技術定時獲取CFS預報文件
[0026]美國國家環(huán)境預報中心服務器僅存儲最近7天的降雨、大氣、水溫等多種類型CFS集合預報文件，可通過瀏覽器快速實現(xiàn)訪問與下載降雨集合預報文件。每天發(fā)布文件個數(shù)較多，數(shù)據(jù)容量較大，采用基于Fork/Join框架的多核并行下載技術可充分利用計算機系統(tǒng)資源，減少傳輸文件的下載時間，極大提高下載效率，同時便于實現(xiàn)與維護。整體框架如圖2所示，具體步驟如下:[0027](I)各文件組成任務下載集合，若集合規(guī)模大于特定閾值，則持續(xù)劃分為子任務直至滿足條件；對各子任務采用步驟(2)直接下載。
[0028](2)應用多線程下載技術和斷點續(xù)傳技術下載子任務，圖3為下載示意圖。首先利用URLConnection打開各文件的URL地址獲取需下載文件的長度、頭部等信息及文件輸入流，根據(jù)給定線程數(shù)將文件劃分成相應塊數(shù)。然后各塊文件均單獨開辟一個線程向服務器提出下載請求，請求通過后讀取服務器端文件數(shù)據(jù)并用RandomAccessFile隨機寫入到本地臨時文件中，若下載中斷則采用斷點續(xù)傳技術從臨時文件讀取上次下載位置，從該位置開始下載直至完成下載操作。所有線程完成后文件即下載成功。
[0029]2利用雙線性插值和距離反比權重插值開展時空降尺度解析CFS集合預報文件
[0030](I)解析CFS產品信息存儲結構，圖4為CFS產品信息存儲示意圖。CFS集合預報文件中以經緯度形式存儲全球尺度的預報值，經緯度分辨率為dxX dy，全球共計nxXny個網格節(jié)點。CFS產品文件的頭文件存儲預報的基準時間(一般為文件發(fā)布時間)、預報時段數(shù)(預見期可長達9個月)、預報步長(一般為6h)和經緯度分辨率等相關信息。各預見期下的全球預報降雨按照由北緯到南緯、東經到西經，以一維數(shù)組的形式存儲。
[0031](2)反向解析得到目標水電站(群)在不同預見期的預報降雨。
[0032]首先給定目標水電站(群)各控制點的經緯度，修正控制點構成的目標區(qū)域，按照CFS文件存儲規(guī)則反向解析得到目標區(qū)域不同預見期的降雨值。通過空間降尺度和時間降尺度從目標區(qū)域得到各目標點在不同預見期的預報降雨，若為無窮則表示缺少資料，各目標點取平均即可得到目標水電站(群)在不同預見期的預報降雨。
[0033]①反向解析獲得目標區(qū)域在不同預見期的預報信息。水電站(群)控制區(qū)域較大，一般選取多個具有較強代表性的點，這些點構成的區(qū)域稱為目標區(qū)域，容易獲得目標區(qū)
域的經緯度上下限足、歹，Z、？。若直接采用，則可能存在目標區(qū)域形狀不規(guī)則，各目標點降雨難以直接插值獲得，故需修正目標區(qū)域邊界，規(guī)則如下:經度下限為，上限為
~X/dx]dx.,纟韋度下限為LZ/辦」辦，上限為辦。然后按照CFS文件存儲規(guī)則反向解析，獲得目標區(qū)域控制的關鍵網格節(jié)點信息。
[0034]圖5為反向解析得到目標區(qū)域數(shù)據(jù)示意圖，A、D點分別為目標區(qū)域經度上下限，B、C點分別為緯度上下限，若直接采用四邊形ABCD構成的原始區(qū)域，則存在形狀不規(guī)則，邊界處信息不完整，故修正為四邊形A1B1C1D1，可以看出，邊界處形狀規(guī)則，內部網格節(jié)點即為其控制的網格節(jié)點，可直接利用CFS文件已有網格信息。
[0035]②采用雙線性插值和距離反比權重插值方法進行空間降尺度獲得目標點在不同預見期的降雨。以圖6中目標點X在T1時間的降雨為例，圖中Ap B1, C1, D1四點降雨值已知，X點為需插值的點。首先在緯度方向插值:由A1點和B1點兩點插出X1點的值，C1點和D1點插出X2點的值；然后在經度方向插值:由X1、X2點的值插出X點的值。每次插值各點權重采用距離反比方法，即權重與距離成反比。采用雙線性插值和距離反比權重插值方法簡單方便，同時考慮經度和緯度方向的影響，有效提高插值精度。計算公式如下:
【權利要求】
1.一種利用CFS集合預報產品的水電站中期滾動調度方法，其特征包括如下步驟， 步驟1:利用多核并行下載技術定時從美國國家環(huán)境預報中心服務器獲取CFS預報文件 (1)各文件組成任務下載集合，若集合規(guī)模大于特定閾值，則持續(xù)劃分為子任務直至滿足條件； (2)應用多線程下載技術和斷點續(xù)傳技術下載子任務； 步驟2:利用雙線性插值和距離反比權重插值開展時空降尺度解析CFS集合預報文件 (1)CFS集合預報文件中以經緯度形式存儲全球尺度的預報值，經緯度分辨率為dxXdy,全球共計nx X ny個網格節(jié)點；CFS產品文件的頭文件存儲預報的基準時間、預報時段數(shù)、預報步長和經緯度分辨率等相關信息；各預見期下的全球預報降雨按照由北緯到南緯、東經到西經，以一維數(shù)組的形式存儲； (2)反向解析得到目標水電站在不同預見期的預報降雨； 首先給定目標水電站各控制點的經緯度，修正控制點構成的目標區(qū)域，按照CFS文件存儲規(guī)則反向解析得到目標區(qū)域不同預見期的降雨值；通過空間降尺度和時間降尺度從目標區(qū)域得到各目標點在不同預見期的預報降雨，若為無窮則表示缺少資料，各目標點取平均即可得到目標水電站在不同預見期的預報降雨； ①反向解析獲得目標區(qū)域在不同預見期的預報信息；水電站控制區(qū)域較大，一般選取多個具有較強代表性的點，這些點構成的區(qū)域稱為目標區(qū)域，容易獲得目標區(qū)域的經緯度上下限亡7:若直接采用，則可能存在目標區(qū)域形狀不規(guī)則，各目標點降雨難以直接插值獲得，故需修正目標區(qū)域邊界，規(guī)則如下:經度下限為，上限為「I/ ;`緯度下限為辦」辦，上限為f 辦I辦；然后按照CFS文件存儲規(guī)則反向解析，獲得目標區(qū)域控制的關鍵網格節(jié)點信息； ②采用雙線性插值和距離反比權重插值方法進行空間降尺度獲得目標點在不同預見期的降雨； ③時間降尺度獲得目標點在特定預見期的降雨；空間降尺度獲得目標點在不同預見期的降雨后，特定預見期降雨可采用線性插值和距離反比權重插值方法由相鄰時間點的降雨插值獲得； 步驟3:由BP神經網絡模型預報目標水電站的徑流值 BP神經網絡模型本質上以網絡誤差平方和為目標函數(shù)，采用梯度法訓練樣本使目標函數(shù)達到最?。? (I)由有效樣本數(shù)據(jù)率定模型，具體步驟如下: 設置率定期、檢驗期的起止時間并選定影響因子，如前P天實際流量、前t天流量累加、前m天CFS集合預報降雨，得到BP神經網絡的輸入層節(jié)點數(shù)； 設置BP神經網絡其他參數(shù)，如隱藏層層數(shù)及各層節(jié)點數(shù)、訓練次數(shù)、目標誤差等，構造BP神經網絡模型；初始化BP神經網絡結構，由隨機函數(shù)產生[O，I]區(qū)間的隨機值初始化BP網絡結構各層各節(jié)點的權重和閾值；獲取影響因子和目標值的有效樣本數(shù)據(jù)，將各類數(shù)據(jù)分別歸一化到區(qū)間[0.2，0.8]，構造訓練樣本的輸入輸出矩陣；從數(shù)據(jù)庫中選取各影響因子和預報目標值的歷史數(shù)據(jù)并檢查數(shù)據(jù)的有效性，剔除無效數(shù)據(jù)；對各類數(shù)據(jù)分別按式X’ =0.6 (Xfflax-X)/(Xfflax-Xfflin) +0.2進行歸一化操作，其中x_、xmin分別表示該類樣本數(shù)據(jù)的最大、最小值，X表示待處理樣本數(shù)據(jù)，X’表示歸一化處理后的值；將歸一化后的輸入、輸出樣本數(shù)據(jù)按照時間順序分別依次放置于輸入、輸出矩陣，直至所有樣本數(shù)據(jù)添加完成； 利用輸入矩陣和目標矩陣訓練樣本數(shù)據(jù)直至收斂；歸一化樣本輸入神經網絡后通過Sigmoid函數(shù)[f(x) = l/(l+e_x)]逐層向前傳播，各層神經元只受其直接上層各神經元狀態(tài)影響；若未滿足終止條件則將本次輸出誤差反向傳回，逐層修改各層神經元權值與閾值，如此反復傳播直至滿足收斂條件； (2)由CFS預報降雨輸入已率定完成的BP神經網絡模型得到徑流預報由CFS集合預報降雨數(shù)據(jù)構造新的輸入數(shù)據(jù)，輸入已訓練完成的BP神經網絡模型后得到預測值，對其進行反歸一化處理即可得到預測流量值；對預測值按公式X =Xmax-(χ' -0.2) (Xmax-Xmin)/0.6進行反歸一化處理,其中Xmax、Xmin分別表示該類樣本數(shù)據(jù)的最大、最小值，X’表示仿真測試得到的預測值，X表示反歸一化處理后的預測值； 步驟4:水電站的滾動調度策略 獲得目標水電站的CFS降雨預報值后，輸入已用有效歷史樣本數(shù)據(jù)率定完成的BP神經網絡模型得到相應的徑流預報值，即可滾動更新輸入條件；根據(jù)目標水電站的實際工作狀態(tài)和所選優(yōu)化模型，采用優(yōu)化方法求解得到最新預報信息下的最優(yōu)運行策略，取前面若干時段決策信息指導目標水電站運行，在實施面臨時段決策的過程中，又可根據(jù)再次獲得的最新預報信息重復上述過程，如此循環(huán)往復，滾動更新，便可形成“預報、決策、實施、再預報、再實施”的前向滾動決策過程。
【文檔編號】G06Q50/06GK103729803SQ201310733753
【公開日】2014年4月16日 申請日期:2013年12月25日 優(yōu)先權日:2013年12月25日
【發(fā)明者】程春田, 廖勝利, 馮仲愷, 林成, 唐建興, 蘇華英 申請人:大連理工大學, 貴州電網公司電力調度控制中心