基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测

杨先华

(云南省水利水电勘测设计研究院， 云南 昆明 650000)

0 引 言

随着社会经济的发展以及专业技术的提升，水利工程建造技术不断提高，水利枢纽梯级调度发电系统能够提供较大的电能。为此，不少研究学者加强对水利枢纽梯级调度发电的研究，并进一步对发电最大负荷概率进行预测，提升发电系统的发电性能。

文献[1]基于经验模式分解与分位数回归森林的用户负荷概率密度组合建立预测模型，但是将其应用到水利工程梯级调度发电最大负荷概率预测中时，不能准确地掌握数据中的相关信息。文献[2]基于Copula函数相关性测度，提出了一种集合多维尺度分析技术，解决短期公共楼宇负荷概率密度预测，数据运行效果强，实现了数据的管理和控制，但是数据处理方式控制过于分散。

因此，针对上述问题，本文提出了一种基于太阳能循环的概率预测方法来分析和解决上述问题。研究适合梯级调度发电最大负荷概率预测的优化理论和决策方法，提高流域梯级电站的控制和运行水平，实现对流域水能资源的科学高效利用，适应电力企业市场化发展的需要，落实国家“节能减排”政策，承担更多的社会责任，建设生态文明社会，具有重要的理论和现实意义。

1 基于太阳能循环的水利枢纽梯级调度发电数据获取

为增强概率预测研究的精准性，本文首先获取水利枢纽梯级调度发电数据[3-4]，研究发电数据的发电条件。条件方程的设置如式(1)所示。

(1)

式中:K为条件参数数据;a为内部发电数据;t为水利枢纽系统发电时间;P为发点数据数量参数。根据上述操作进行条件选择，并完善初始收集系统的收集空间，在水位上升位置进行标记，绘制相应的数据标记图，如图1所示。

图1 数据标记图

将收集到的数据传输到指定格式的数据库中进行标记，并将标记的数据进行字节转化，存储到数据库系统中。按照整理出的信息进行标准匹配，对汛期水位数据进行过滤，研究过滤数据的数量，并挑选出较为适宜的平均数进行数据评定。设置相关的平均数获取方程：

(2)

图2 数据查找图

图2中，数据查找中心每秒完成一次刷新操作，在此时间内输入的数据被写到文件缓存区中，操作将记录录入到文件中。此时新写入的数据可以搜索到，并根据查询要求从计算机文件或数据库中提取所需的数据，输出某个深度的所有节点，这些节点从首端到末端，无限次转换数据，以获取节点值。

2 基于太阳能循环的水利枢纽梯级调度发电数据分析

以获取的水利枢纽梯级调度发电数据为基础，进行数据分析处理[6]，按照标准化处理模式，选取内部结构函数进行结构调整，以此完善系统的处理性能，并设置结构函数方程式：

S=AC-Q·(d+q)

(3)

式中:S为结构函数数据;A为基础调整数据;C为发点数据参数;Q为数据整体数量;d为内部结构参数值;q为主导数据标准函数。经过以上数据调整，得到系统优化结构信息数据，并根据此数据进行内容转换，将实体数据转化为信息数据[7]。在实现数据转化后，监控数据位置，保证数据处于系统可操作范围内，并设置相关的分析图如图3所示。

图3 数据分析图

3 基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测

归一化灰色关联度，算出第i个比较序列(气象影响因素)的因子权重系数γi。

(4)

应用灰色关联分析方法对系统动态变化过程进行量化分析比较处理，用以下公式表达向量约束参数Te。

(5)

式中：t为序列处理时间;Bw为阈值。

使用十倍交叉验证法组建参数寻优过程，训练和验证任何连续两个月历史样本，可以组成以下离线参数寻优总集合。

(6)

式中:G为影响因素的历史数据总集合;V为十倍交叉验证生成的验证样本集合;M为相应训练样本集合。

可以用以下公式对样本集合V、M构成进行表达。

(7)

式中:Si为样本集合V的构成函数;Sj为样本集合M的构成函数。计算经过训练和验证的两个样本集合的相似度均值，可用式(8)表达。

(8)

式中:Pj为相似度均值(第j个训练样本和测试样本);ω为样本属性权重值。

根据水利枢纽的类型进行发电数据划分，同时在不同的发电数据中找出最大负荷参数。设计参数查询方程：

(9)

式中:L为参数查询数据；f为枢纽类型数据；d为划分后的发点数据；g为数据总数量。经过上述查询后，完善系统信息，并对最大负荷概率进行预测。设置概率数据预测图，如图4所示。

图4 概率数据预测图

由此实现精准预测，完成对水利枢纽梯级调度发电最大负荷概率预测研究。

4 试验研究

4.1 试验目的

为了检测本文基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测的预测效果，将本文方法与文献[1]和文献[2]方法进行对比，分析试验结果。

4.2 试验参数设置

针对太阳能循环数据的收集复杂程度以及水利枢纽梯级调度发电最大负荷概率预测的技术性，需对其进行试验参数设置，如表1所示。

表1 最大负荷概率数据预测参数

4.3 试验结果与分析

1) 发电数据收集有效率对比图

水利枢纽梯级调度发电的发电量预测对于水利枢纽比重较大的电网结构具有重要的意义，本文整合具体的发电信息与水利枢纽的相关发电条件，简化了计算过程，减少了计算量，可以提高发电数据的收集效率，将本文方法与文献[1]和文献[2]方法进行对比，结果如图5所示。

图5 发电数据收集有效率对比图

由图5可知，在60 d的试验时间内，本文方法对发电数据的收集效率曲线明显高于其他两种方法，说明本文基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测的发电数据收集有效率较高。本文方法在收集的过程中注重理论数据的分析，不断查询数据之间的相关性，按照相关性原则实现数据的精确化处理，指定相同区间的数据参数。利用数据样本进行数据跟踪，连续地解析跟踪数据的位置，进行精确的数据收集，进而提升了发电数据收集有效率。

2) 最大负荷概率预测精准率对比图

本文归一化灰色关联度函数，算出第i个比较序列(气象影响因素)的因子权重系数，提高了最大负荷概率预测精准率，对比结果如图6所示。

由图6可知，在试验时间为50 s时，本文基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测的最大负荷概率预测精准率为52%，且在试验时间为100 s时，本文基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测的最大负荷概率预测精准率为58%。随着试验时间的增加，本文基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测的最大负荷概率预测精准率不断提升。

图6 最大负荷概率预测精准率对比结果

5 结束语

本文在传统预测方法的基础上提出了一种基于太阳能循环的水利枢纽梯级调度发电最大负荷概率预测方法。在调节系统结构的基础上，实现对数据的预测整合，增强系统的数据性能，强化数据管理与系统自动保护能力，缩减研究所需时间，进而提升效率，达到对最大负荷概率预测有效提升的目的。