水电站多时间尺度径流预报及发电调度嵌套研究

发布时间：2020-10-02 09:05

　　 水电能源具有低成本、高效率、可再生、无污染等特点,被称为“永不衰竭”的优质能源。随着水电能源的大规模系统性开发利用,大型水库调度作用越来越明显,地位也日渐提升。本文围绕水库中长期发电调度问题开展研究,以金沙江下游溪洛渡水电站为工程背景,根据丰枯定性的不同时间尺度径流预报模型得出精度较高的预报径流结果,并将其作为调度模型输入,结合常规调度模型、优化调度模型以及多时间尺度嵌套模型,对水库发电调度模型和算法进行深入、系统的研究,探求多时间尺度嵌套模型对调度计划的滚动修正及反馈控制作用。主要研究成果如下:(1)基于丰枯定性的中长期径流预报研究。选用BP神经网络进行径流预报,考虑到中长期气象定量预报精度不高而定性预报可信度较高,在中长期预报过程中根据气象预报定性分析径流丰枯,将气象因素转化为历史径流规律因素;选用对应丰、枯性质历史同期资料作为学习样本分别训练旬、月、年三个时间尺度BP神经网络并进行试预报,根据样本学习和预报结果检验模型预报精度,分析各时间尺度丰、枯BP神经网络模型的预报规律,并将预报径流作为水库调度系统的输入。(2)基于径流预报的水库中长期发电调度研究。采用典型径流分析法,绘制水库调度图,并通过调度图指导水库中长期运行;建立水库发电量最大优化调度模型,采用逐步优化算法对模型进行优化计算。采用枯水BP神经网络预报径流和实测径流作为调度输入,分析常规调度和优化调度运行过程,进一步验证枯水BP神经网络模型为制定调度计划提供输入的合理性,揭示水库中长期优化发电调度水位变化规律,为多时间尺度嵌套建模提供模型选择。(3)基于多时间尺度嵌套的水电站调度计划实时修正研究。在解析不同时间尺度模型之间的嵌套关系基础上提出水库多时间尺度嵌套耦合模型,基于当前实际来水和不同时间尺度径流预报,将短时间尺度模型与长时间尺度模型进行嵌套耦合,根据实际运行是否满足长时间尺度调度时段计划末水位约束实施反馈控制,并分析讨论基于逐步优化算法的模型高效求解方法,使修正后调度计划更贴合实际运行。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TV737
【部分图文】：

时段误差（m3/s）相对误差（%）误差（m3/s）相对误差（%）误差（m3/s）相对误差（%）误差（m3/s）相对误差（%）1 日 38.52 1.2 49.78 1.4 27.19 0.85 56.91 1.602 日 -52.32 1.83 95.52 2.73 -60.21 2.11 80.12 2.293 日 -79.50 2.98 -18.21 0.53 -98.52 3.69 -29.33 0.864 日 32.56 1.16 -82.44 2.31 70.69 2.52 -70.93 1.985 日 172.97 5.82 138.99 3.74 280.71 9.45 140.01 3.756 日 135.39 4.42 300.95 7.75 354.28 11.58 238.15 6.127 日 200.77 6.58 230.00 5.84 410.24 13.41 384.62 9.768 日 -297.03 9.89 357.54 8.57 -314.83 10.54 546.39 13.079 日 -243.55 7.55 306.08 7.58 -262.88 8.15 -852.26 21.0110 日 -292.63 8.73 359.00 9.26 -430.64 12.78 422.97 10.71采用枯水 BP 神经网络模型对金沙江下游溪洛渡水电站断面进行 2010 年年径流预报、2010 年 6 月月径流预报以及 2010 年 6 月上旬旬径流预报，预报流量和实测流量过程对比如图 2-3、2-4、2-5 所示。

图 2-4 2010 年 6 月溪洛渡水电站预报流量和实测流量过程对比图 2-5 2010 年 6 月上旬溪洛渡水电站预报径流和实测径流过程对比（4）结果分析根据表 2-4 到 2-6，丰水、枯水 BP 神经网络年尺度、月尺度、旬尺度样本学习

20图 2-5 2010 年 6 月上旬溪洛渡水电站预报径流和实测径流过程对比（4）结果分析根据表 2-4 到 2-6，丰水、枯水 BP 神经网络年尺度、月尺度、旬尺度样本学习误差均方差与常规 BP 神经网络年尺度、月尺度、旬尺度样本学习误差均方差分别进行比较。可知：丰水、枯水 BP 神经网络相对于常规 BP 神经网络学习过程样本误差均方差普遍减小，进而证明使用丰水、枯水 BP 神经网络进行径流预报时预报精度和预报过程稳定性均有所提高。根据表 2-7 到 2-12，丰水、枯水 BP 神经网络试预报结果与常规 BP 神经网络试预报结果比较。可知：根据气象预报确定径流丰枯性质后，采用丰水、枯水 BP 神经网络进行径流预报相对于常规 BP 神经网络，各时间尺度的径流预报结果相对误差普遍减小，预报精度普遍有所提高，并且随着预报时间尺度缩短预报精度也随之提高，

【参考文献】

相关期刊论文 前10条

1 解阳阳;黄强;张节潭;王义民;刘赛艳;;水电站水库分期调度图研究[J];水力发电学报;2015年08期

2 纪昌明;石萍;黄速艇;;基于聚类分析思想的水电站水库优化调度规律的提取[J];水力发电学报;2015年06期

3 王平;;《水库调度设计规范》中时历法编制发电调度图的改进研究[J];水力发电学报;2015年05期

4 李雅琴;钟平安;王玉华;;年调节水库水电站分级发电调度图研究[J];水利水电技术;2014年08期

5 纪昌明;蒋志强;孙平;赵璧奎;吴昊;;水库常规调度图逆推计算问题分析[J];中国农村水利水电;2014年02期

6 王平;;《水电工程水利计算规范》中调度图编制方法的改进[J];水电能源科学;2014年01期

7 张梦然;钟平安;王振龙;;三峡水库发电优化调度分层嵌套模型研究[J];水力发电;2013年04期

8 王平;;水库发电调度图常规计算方法的问题和改进建议[J];水利水电工程设计;2007年03期

9 李崇浩;纪昌明;李文武;;改进微粒群算法及其在水库优化调度中的应用[J];中国农村水利水电;2006年02期

10 葛守西,程海云,李玉荣;水动力学模型卡尔曼滤波实时校正技术[J];水利学报;2005年06期

相关博士学位论文 前3条

1 卢迪;耦合中长期径流预报信息的水库调度方式研究[D];大连理工大学;2015年

2 王赢;梯级水库群优化调度方法研究与系统实现[D];华中科技大学;2012年

3 刘芳;基于小波分析和相关向量机的非线性径流预报模型研究[D];华中科技大学;2007年

本文编号：2832205