大型流域梯级电站群智能调度关键技术研究及实践

马芳平， 罗 玮， 钟青祥， 金 峰， 张明君

(1.国能大渡河流域水电开发有限公司， 四川 成都 610041； 2.清华大学水利水电工程系， 北京 100084； 3.清华大学电机工程及应用电子技术系， 北京 100084)

1 引言

国内外流域水电资源大多采用梯级开发的方式，目前欧美发达国家基本上已完成了主要河流的梯级开发，我国除雅鲁藏布江和怒江以外的主要大江大河也接近完成干流河段的梯级开发，正全面由开发建设向运行调度转序。流域梯级电站群是重大公共基础设施，其安全高效调度运行事关国家防洪减灾、能源安全和绿色发展，是一个多目标优化决策的命题。

进入21世纪后，我国逐步意识到长江、黄河等主要流域梯级电站群多目标联合调度的重要性，纷纷开展了梯级电站统一调度探索研究[1，2]，金沙江下游巨型梯级电站群和乌江梯级电站群开展了“调控一体化”实践[3，4]，湖南湘江、资江和沅水实施了跨流域梯级电站群集中调控[5]。近年来，随着云计算、大数据、物联网、移动互联网和人工智能技术的飞速发展和加快应用，三峡集团、华能澜沧江公司等更加聚焦梯级水电站群多目标调度问题，开展多目标智能优化调度[6-8]，在提高防洪能力、减少弃水损失、提升整体发电效益等方面发挥了显著的作用。

随着现代运筹学理论的发展，出现了大量的水电站群联合调度的研究成果[9-13]，为水电群调度走向智能、高效、产业化奠定了良好的基础。水电站群联合调度是一类高维数、多约束、多目标的复杂优化问题。现有的研究中，基本上都需要先建立多目标模型，然后考虑不同的算法求解多目标优化问题。动态规划(Dynamic Programming, DP)可解决多阶段顺序决策问题，被广泛应用于水电系统的协调运行，但由于计算代价随着水电站数量增加呈指数爆炸的趋势，限制了其在大型水电站群运行调度中的应用。文献[9]提出了一种统一动态规划(Unified Dynamic Programming, UDP)的方法缓解DP的维数灾难问题。粒子群优化(Particle Swarm Optimization, PSO)是常见的多目标优化算法，能够很好地在大量解决方案中搜索到可行解。文献[10]中采用粒子群优化-遗传混合算法以获得可行的解决方案并加快收敛速度。文献[11]提出了一种改进的非支配排序的粒子群优化算法(Improved Non-dominated Sorting Particle Swarm Optimization, INSPSO)，具有良好的找到帕累托最优集的能力。尽管目前国内外有关梯级水电站群联合调度的理论与技术日趋成熟[14-19]，但均以理论研究和技术探索为主，实用化和生产化程度普遍较低。同时，风电、光伏电源大规模接入电网的背景下，风光电源的经济调度[20,21]需要作为电网调峰调频重要支撑的梯级水电站群的快速灵活响应。在日益复杂的精细化调度控制需求和运行环境下，传统的理论优化成果已无法满足生产实际需要，这对智能调控技术的研究提出了更高的要求。

大渡河流域在我国十三大水电基地中位居第五，地处青藏高原和四川盆地的过渡地带，干流全长1 062 km，集中落差4 175 m，水文情势复杂多变。流域水库群调度存在降雨径流时空关系复杂、防洪兴利矛盾突出及多目标协同难度大等世界性难题。为此，国家能源大渡河公司结合智慧企业建设，联合四川大学、河海大学等单位，开展了梯级电站群智能调控平台、中长期水文预报方法与技术、梯级负荷实时智能调控方法与电站群智能调度技术研究，并在大渡河流域梯级电站群全面推广应用，取得了显著的经济和社会效益，并有力推动了水电行业智能化、智慧化的技术进步。

2 大渡河流域梯级电站群智能调度实践

2.1 总体技术架构

大渡河流域是我国重要的水电能源基地之一，根据长江水利委员会组织编制的岷江流域综合规划，大渡河干流下尔呷以下河段规划采用28级开发方案。大渡河公司通过现代信息技术和传统优化调度技术深度融合，形成流域梯级电站群智慧调控运行成套技术，全面实时感知流域气象、水情、发电、市场、设备、生产要素等信息。针对流域气象水情预测难度大的问题，研发了多因子“量-型”混沌相似的中长期水文预测模型和大数据驱动的高精度水情气象耦合洪水概率预报模型。针对流域防洪兴利矛盾突出及多目标协同难度大的问题，研发了适应电网高强度调峰调频需求的梯级负荷实时智能调控模型和自适应复杂洪水情势的流域泄洪闸门智能调控模型。同时，以云计算与大数据技术为基础，构建了流域梯级电站群智能调控平台，实现了感知-预测-决策支持多功能多模型的全面集中集成(见图1)。

图1 流域梯级电站群智能调控平台技术架构Fig.1 Technical framework of intelligent regulation platform for cascade hydropower stations in river basin

2.2 多因子“量-型”混沌相似中长期水文预测模型

针对中长期水文预报不确定性大、预报精度不高的难题，大渡河公司组织创建了多因子“量-型”混沌相似的中长期水文预报技术与方法(见图2)，有效提高径流预报精度，丰富和发展了水文中长期预报理论。

图2 基于“量-型”相似的中长期水文预报Fig.2 Medium and long-term hydrological forecast based on “quantity-shape” similarity

多因子“量-型”混沌相似预报模型的计算步骤如下[22]：

(1)“量”相似原则，即与预测中心点的欧氏距离较小：

F1=minY(t)-Yi(t′)|i∈I

(1)

式中，I为重构相空间中所有相点个数；i为空间中的任一相点；F1为量、型相似度距离最小的最优值；Yi(t′)为与预测中心点Y(t)相似的相点。

(2)“型”相似原则，即与预测中心点的内部结构相似：

F2=max∑Scorei(s)i∈I

(2)

(3)

式中，F2为量、型相似度单位阶跃函数评分总和最大的最优值；Score(s)为单位阶跃函数，s为相空间中嵌入维数；Scorei(s)为空间中任一相点的函数值；con(s)为相点坐标在某一维变化趋势的一致性与否。

(3)“量”“型”耦合优选为：

(4)

(5)

根据流域前期降雨、径流、130项大气环流指数及未来数值(气候)预报产品等数据，大渡河公司采用物理归因分析与数据挖掘相结合的方法，构建了面向中长期径流预报相似性分析的多因子集。在多维欧式距离度量的“量”相似指标基础上，创建了基于累积阶跃函数和堆土机距离度量的“型”相似指标，研发了“量-型”相似性预报指标体系。采用混沌理论的相空间重构技术，刻画预报变量与预报因子之间的非线性关系；将各预报因子嵌入重构的相空间，通过相似性指标体系搜索当前状态下的相似相点，并根据相点间函数关系，构建了“量-型”相似的多维混沌径流预测模型，以提高中长期径流预报精度。

自2015年以来，对大渡河流域梯级防洪调度、经济调度最为关键的月径流预报，精度从传统历史的85%提升至89.2%，为流域梯级电站智能调度提供了基础。

2.3 大数据驱动的高精度水情气象耦合洪水概率预报模型

针对实时洪水预报中存在的降水时空多变、洪水预见期短的问题，大渡河公司通过组织相关课题研究，提出了相应的多时间尺度径流预测和概率预报方法(见图3)，创建了气象水文耦合及基于多层次-误差异分布的实时洪水概率预报模型。

图3 高精度水情气象耦合概率预报Fig.3 High-precision hydrological and meteorological coupling probability forecasting technology

多层次-误差异分布概率预报模型的计算步骤如下[23]：

(1)洪水的概率预报一般是在确定性预报的基础上开展的，当t时刻做出确定性的预报mt后，流量qt可以视为误差随机变量ε的函数B(ε)，且ε满足ε=(mt-qt)/qt。因此可将对随机变量概率密度函数的推求，转换为对随机变量函数的概率密度的推求，即：

fqtmt,Q,M=f[B(ε)Q,M]

(6)

式中，Q和M分别为流量的真实值及确定性预报值。

(2)洪水预报误差的后验概率密度函数描述为：

(7)

式中，H(mt)和L(mt)为mt函数关系，具体形式不定。

(3)结合式(6)和式(7)，则可推得考虑误差异分布下的流量概率密度函数为：

(8)

数据多源同化、气象水文耦合是流域产汇流预报领域的难题，实时洪水预报中不可避免地存在着各种不确定性。大渡河公司组织研发了融合三维/四维变分、集合卡尔曼滤波的流域多源数据混合同化技术，创建了多时空尺度流域产汇流耦合预报模型，基于实时获取的美国国家环境预报中心、欧洲中期天气预报中心和本地数据进行混合同化和耦合预报。为定量评估预报不确定性，提高实时洪水预报精度，研发了融合暴雨中心、洪水量级、涨水段、落水段等洪水物理过程的预报误差分布智能识别方法，并在此基础上创建了基于多层次-误差异分布的实时洪水概率预报模型，不仅可以提供任意时刻的定值预报结果，还可提供丰富的不确定性信息，如任意时刻预报结果的离散度、变差系数和不同置信水平对应的置信区间。

该技术为水库调度提供概率形式的输入条件，为风险管理提供支撑。预报水平分辨率由3 km提高为1.5 km，防洪预见期延长72 h以上，有效支撑了2017年大渡河流域百年一遇大洪水等的防洪调度，近三年累计减灾效益达14亿元。

2.4 适应电网高强度调峰调频需求的梯级水电站群负荷实时智能调控模型

传统梯级水电站群优化调度技术难以适应电网调峰调频负荷频繁变化需求，导致绝大多数水电群优化调度成果难以实际应用，水电机组只能被动接受电网负荷固定指令，频繁地人工申请电网负荷调节，易产生水库水位大起大落、弃水、水库非正常拉空等现象，严重影响梯级水电站安全、高效运行。针对高强度调峰调频需求下的大型梯级水电站群实时优化调度问题，大渡河公司系统深入地开展大型梯级水电站群负荷实时智能调控技术研究，结合大渡河流域水电调度生产实际，研发了适应电网高强度调峰调频需求的梯级水电站群负荷实时智能调控方法[24](见图4)。

图4 梯级水电站群负荷实时智能调控方法Fig.4 A real-time intelligent control method for the load of cascade hydropower stations

以梯级电站群中径流式电站水位安全控制为硬约束，融合出力平衡、水量平衡、流量平衡、水位、发电流量、出库流量、有功可调区间、电站出力变幅、避开振动区、站间负荷转移10类约束，引入非高效水位区间惩罚函数，提出了梯级水电站间负荷实时分配策略，构建了涵盖安全调度、经济调度全要素的蓄能最大、少调负荷、弃水总量最少、小负荷分配4种经济调度模型以及水位异常控制、水位平稳等安全调度模型，解决了电网实时负荷平衡与流域梯级电站经济运行耦合的建模难题。首次引入无监督学习方法对水电站群负荷分配的历史场景进行深度学习，自动选取最优化的控制策略，并智能化匹配负荷分配模型，主动适应电网高强度调峰调频需求，实现了适应电网高强度调峰调频需求的负荷分配策略自主选取和模型智能匹配。

大渡河公司开发了大型梯级水电站群多场景自适应负荷实时智能控制系统，取得大型流域调度模式由单机组“电网直调”向多电站“一键调度”的重大突破。一年减少3万次人工负荷调节，近三年累计增加发电量11.8亿kW·h，减排温室气体98万t。

2.5 自适应复杂洪水情势的流域泄洪闸门智能调控模型

大渡河径流式电站数量多，最大水库调节性能仅为9.7%，受流域气候多变和电力系统调峰调频影响，闸门操作频繁。为此，大渡河研发了不同场景调洪目标模型簇，提出了一套远程泄洪闸门智能调控技术(见图5)。

图5 梯级电站泄洪闸门智能调控技术Fig.5 Intelligent control technology for flood discharge gate of cascade power station

大渡河公司依托实时感知、精准预测分析技术，定量揭示了大渡河流域洪水遭遇规律，自动识别预测洪水类型，耦合不同来水和流域多重防洪需求，研发了不同场景调洪目标模型簇，具备复杂大洪水、平稳来水、中小洪水及水库异常等多场景自适应能力。通过汛期分期特性及水库调蓄，提出分期分流量级映射水库不同水位运行区间的控制策略。构建不同类型泄洪闸门综合约束函数库，开发分段步长突变算法在高安全边界内优化水电站泄洪闸门开度分配策略，解决了防洪、发电、生态、设备多约束求解的难题。

研发了流域泄洪闸门智能控制支持系统，防洪调度响应能力由小时级提升为分钟级。以大渡河中下游相邻六个梯级电站(大岗山、瀑布沟、深溪沟、枕头坝、龚嘴、铜街子)为例，2017年闸门操作4 250次，在确保电站枢纽自身防洪安全的前提下，有效提高了下游成昆铁路沙坪段、城镇和重要河心洲的防洪标准。

3 应用效果评价

在大渡河流域梯级水电站群全面应用智能调度技术，优化了大渡河流域洪水调节，大幅提高了大渡河及下游岷江，乃至长江中下游防洪能力，成功预报并治理了流域多次洪涝灾害，保障大渡河流域梯级电站群的安全优质高效建设与运行超过5 000天。近三年累计减少洪灾损失14亿元，增发清洁水电27.27亿kW·h，节约标煤77万t，减少二氧化碳、二氧化硫、氮氧化物等温室气体排放205万t。相关研究成果促进了大型流域梯级电站群智慧调控技术的进步，提升了我国水利水电行业的创新发展能力，为我国建设“数字中国、智慧社会”提供了良好的样板，创造了显著的经济效益、社会效益和创新示范效应。

2020年8月，提前7天精准预报大渡河下游超百年一遇特大洪水，瀑布沟水电站提前3天预泄错峰，单次拦蓄洪量5亿m3，削峰率高达80%，刷新历史记录，避免了下游金口河、峨边、沙湾等区域近5万人遭受洪灾，大大减轻川渝地区及长江中下游沿线的防洪压力。为此，国家水利部发函通报表扬大渡河公司为四川省及长江流域防洪减灾做出的巨大贡献。

4 结论

(1)实行大型流域梯级电站群智能调度，可在优化我国水能及水资源配置、防御洪涝旱等自然灾害、增强电力系统安全和稳定性、改善生态环境、保障工农业供水安全、支撑国民经济可持续发展等方面发挥巨大的作用，具有显著的经济和社会效益。

(2)国家能源大渡河公司通过开发、集成先进的云计算、大数据、物联网、移动互联和人工智能技术，确定合理的技术路线，加强实践应用和成果凝练，形成了一批具有自主知识产权、行之有效的梯级电站群(水库群)智能调度成套技术成果，对于国内外其他流域梯级电站群的智能化、智慧化改造和升级具有较好的借鉴意义。

(3)大型流域梯级电站群智能调控需要耦合多维因素，日趋复杂的水力、电力联系进一步加剧了系统模型计算的复杂性，水利、电力、环境、生态、供水等调度部门的精细化调控目标也对优化方法提出了更高的要求，增大了优化难度，还需进一步研究多因子博弈理论下的智能调控优化方案。