(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111555730.4 (22)申请日 2021.12.17 (71)申请人 重庆大唐国际彭水 水电开发有限公 司 地址 409600 重庆市彭水苗族土家族自治 县万足镇小河村 (72)发明人 罗卫国　游波　周奋强　孙红武　 杨在鑫　陈强　舒西刚　朱颖　 饶立波　雷佳　李丹　杨帆　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 代理人 余山 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06F 113/08(2020.01) (54)发明名称 一种水电站径流及其关联源荷功率年场景 模拟和预测方法 (57)摘要 一种水电站径流及其关联源荷功率年场景 模拟和预测方法， 它包括以下步骤： 步骤1： 采集 某地区多座可调度水电站的历史日径流量数据 以及其外部关联的能源和负荷的历史日功率数 据； 步骤2： 利用自组织映射神经网络将以上数据 按旬聚类形成径流量典型旬场景和源荷功率旬 场景； 步骤3： 建立目标水电站径流的旬间状态转 移概率模型， 同时建立目标水电站径 流和关联源 荷功率间、 目标水电站径流与其它可调度水电站 径流间的多场景条件概率模型； 步骤4： 随机模拟 未来年的源荷功率及可调度水电站径流量时序 场景， 并通过场景缩减的方法， 聚合为源荷功率 及可调度水电站径流量年度时序模拟典型场景； 步骤5： 预测各典型场景发生的概 率。 权利要求书5页 说明书14页 附图8页 CN 114357865 A 2022.04.15 CN 114357865 A 1.一种水电站径流及其关联源荷功率年场景模拟和预测方法， 其特征在于， 它包括以 下步骤： 步骤1： 采集某地区多座可调度水电站 的历史日径流量数据以及其外部关联的能源和 负荷的历史日功率数据； 步骤2： 利用自组织映射神经网络将以上数据按旬聚类形成径流量典型旬场景和源荷 功率旬场景； 步骤3： 建立目标水电站径流的旬间状态转移概率模型， 同时建立目标水电站径流和关 联源荷功率间、 目标 水电站径流与其它可调度水电站 径流间的多场景 条件概率模型； 步骤4： 随机模拟未来年的源荷功率及可调度 水电站径流量时序场景， 并通过场景缩减 的方法， 聚合 为源荷功率及可调度水电站 径流量年度时序模拟典型场景； 步骤5： 预测各典型场景发生的概 率。 2.根据权利要求1所述的方法， 其特征在于， 在步骤2中， 利用自组织映射神经网络聚类 算法对步骤1中各可调 度水电站按非汛期、 一般汛期、 主汛期三个不同时期对应旬径流量进 行聚类， 生成各可调度水电站三个不同时期下 的典型场景以及统计概率； 对各源荷功率数 据直接按旬聚类， 生成对应的典型场景以及统计概 率； 在步骤2中， 具体包括以下步骤： 步骤2.1： 利用自组织映射神经网络算法对各可调度水电站日径流量按非汛期、 一般汛 期、 主汛期三个不同时期对应旬径流量进行聚类， 生成各可调度水电站三个不同时期下 的 典型场景 以及统计概率(Q(t)标识第t旬对应的是非汛期、 一般汛期 或主汛期)， 其中 为第t旬时可调度水电站的第k个场景， z∈{1,2, …,Z},Z为可调度水 电站总数； 步骤2.2： 利用自组织映射神经网络算法对与水电站关联的外部源荷历史日功率数据 以旬为单位进行聚类分析， 形成各源荷历史功率数据的典型场景 其中 为G源荷的第m个场景， G代 表不同的源荷类型。 3.根据权利要求1所述的方法， 其特征在于， 在步骤3中， 从步骤2得到的旬场景集中选 定某基准水电站的旬典型径流量场景作为条件基准； 计算该水电站历史旬典型场景之 间的 转移概率， 建立旬与旬之间的马尔可夫时序状态转移概率模型； 统计历史旬中外部关联源 荷功率典型场景和其它可调 度水电站径流量 典型场景发生的条件概率， 建立基准水电站径 流量和外部关联源荷功率之间的多场景条件概率模型以及基准水电站径流量与其它可调 度水电站 径流量之间的多场景 条件概率模型。 4.根据权利要求3所述的方法， 其特 征在于， 在步骤3中， 具体包括以下步骤： 步骤3.1： 在基于统计的可调度水电站中以所要进行场景分析的水电站B为条件基准， 并基于该电站非汛期、 一般汛期、 主汛期三个不同时期对应旬径流量的典型场景形成马尔 可夫时序状态转移概 率矩阵P1； 步骤3.2： 以基准水电站B径流量典型场景为条件， 统计历史旬中外部关联源荷功率典 型场景发生的条件概率P2＝Pij(2)， 建立基准水电站B径 流量和外部关联源荷G功率之间的多 场景条件概率模型；权　利　要　求　书 1/5 页 2 CN 114357865 A 2步骤3.3： 以基准水电站B径流量典型场景为条件， 统计历史旬中其余可调度水电站Y径 流量典型场景发生的条件概率P3＝Pij(3)， 建立水电站B径 流量和其余可调度水电站Y径 流量 之间的多场景 条件概率模型。 5.根据权利要求1至4其中之一所述的方法， 其特征在于， 在步骤4中， 以步骤3得到的条 件概率矩阵及转移概率矩阵为基础， 随机模拟未来年的基准水电站径流量年时序场景， 并 以此为条件结合外部关联源荷功 率和其它可调 度水电站径流量的多场景条件概率模型， 随 机模拟生成基准水电站径流量场景条件下外部关联源荷功率和 其它可调度水电站径流量 的年时序场景； 进一步的将所得到的年度 时序模拟场景集合通过K ‑means方法进行场景缩减， 分别聚 合为丰、 平和 枯来水方案下 的基准水电站径流量、 外部关联源荷功率以及其它可调度水电 站径流量的年度时序模拟典型场景。 6.根据权利要求5所述的方法， 其特征在于， 在步骤4中， 在获得年时序场景时， 具体包 括以下步骤： 步骤4.1： 引入步骤3中基准水电站B的径流量典型场景的马尔可夫时序转移概率矩阵P1 ＝[Pij(1)]， 外部关联源荷G功率的多场景条件概率矩阵P2＝[Pij(2)](G)， 其余可调度水电站Y 径流量典型场景发生的条件概率矩阵P3＝[Pij(3)](Y)， B水电站的旬径流量典型场景集合 其余可调度水电站的旬径流量典型场景集合 其中上标Q(t)代表第t旬所对应的非汛期、 一般汛期和主汛期不同丰枯水平， 外部关联源荷 旬功率场景集 合 其中G代表不同的源荷类型； 步骤4.2： 采用随机模拟方法模拟 随机模拟未来年的径流量典型时序场景及源荷功率 典型时序场景。 7.一种建立多场景条件概率模型的方法， 其特征在于， 所建立的多场景条件概率模型 为径流量和源荷日功 率曲线的多场景条件概率模型， 包括以下步骤： 基于水电站B典型旬径 流量场景出现的历史时间序列， 建立旬与旬之间的马尔可夫时序状态转移概率模型； 以水 电站B径流量典型场景为条件， 统计历史旬中外部关联源荷功率和其它 水电站径流量典型 场景发生的条件概率， 建立水电站B径流量与外部关联源荷功率之间的多场景条件概率模 型和水电站B径流 量与其它关联 水电站径流量之间的条件概 率模型。 8.根据权利要求7所述的建立多场景条件概率模型的方法， 其特征在于， 该方法具体包 括以下步骤： 步骤3.1： 在基于统计的可调度水电站中以所要进行场景分析的水电站B为条件基准， 并基于该电站非汛期、 一般汛期、 主汛期三个不同时期对应旬径流量的典型场景形成马尔 可夫时序状态转移概 率矩阵P1； 权　利　要　求　书 2/5 页 3 CN 114357865 A 3