基于機器學習的葛洲壩水電站日均出力預測

劉亞新 徐楊

摘要：考慮三峽水庫與葛洲壩水電站的緊密水力聯系以及三峽水庫出庫流量與葛洲壩水電站入庫流量的不平衡現象，提出了基于極端梯度提升（eXtreme Gradient Boosting，XGBoost）和自回歸差分移動平均模型（Autoregressive Integrated Moving Average model，ARIMA）這兩種機器學習的葛洲壩水電站入庫流量預測模型，以及基于貝葉斯嶺回歸的葛洲壩水電站日均出力預測模型，并將兩種模型相結合進行葛洲壩水電站入庫流量與日均出力預測。通過對2019年非棄水期的實驗分析，結果表明：葛洲壩水電站入庫流量預測模型優于傳統的折算系數三日均值法，可降低流量預報誤差;葛洲壩水電站日均出力預測模型具備較高的預測精度和較強的穩健性，可為葛洲壩水電站非棄水期日均出力計劃編制提供參考。

關 鍵 詞：入庫流量; 日均出力; 機器學習; 貝葉斯嶺回歸; 葛洲壩水電站; 三峽水庫

中圖法分類號： TV737

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2022.04.032

0 引 言

葛洲壩水利樞紐位于三峽水利樞紐下游約38 km處，是三峽水利樞紐的航運反調節樞紐，其主要任務是對三峽水利樞紐日調節下泄的非恒定流[1]過程進行反調節，在保證航運安全和通暢的條件下充分發揮發電效益[2-3]。葛洲壩水電站屬于徑流式無調節能力電站，調節庫容小，調度精度要求高，影響電站運行的因素眾多且復雜，一直是梯級樞紐運行調度的難點。

在實際調度中，葛洲壩水電站非棄水期占全年運行期的70%以上，且上游水位控制出現偏差時，棄水期可通過開啟泄洪閘棄水來調整水位，非棄水期僅可通過向電網申請修改發電計劃來控制水位。因此，非棄水期葛洲壩水電站的精準控制，對保障電站安全穩定運行、提升電站效益具有十分重要的意義。

葛洲壩水電站日發電計劃是依照三峽水電站制作的日計劃運行后的出庫流量過程而制作的。葛洲壩水電站日入庫流量預測是出力預測的基礎，在不考慮區間入流和降雨的情況下，葛洲壩水電站的入庫流量應等于三峽水庫的出庫流量，但實際上，兩者流量并不平衡。葛洲壩水電站入庫流量誤差經常導致日出力計劃與實際調度情況出現較大的偏差，致使發電計劃頻繁修改，不利于電站安全、高效、穩定地運行。葛洲壩水電站日入庫流量通常采用折算系數法計算，折算系數為葛洲壩水電站入庫流量與三峽水庫出庫流量的比值。一般將前3 d折算系數的均值作為當日折算系數的估計值，也有學者采用多元門限回歸模型探究此類問題[4]，但是需要將三峽水電站左岸發電流量、右岸發電流量、深孔泄流量、排漂孔泄流量等信息作為模型輸入。三峽水庫出庫流量乘以折算系數求得葛洲壩水電站入庫流量，再根據葛洲壩水電站庫水位設定情況計算出庫流量、尾水位、水頭損失、凈水頭，由機組預想出力線、開機情況、機組過流曲線等求得電站出力。這其中運用到多種靜態曲線，經過電站的多年運行，有些曲線與真實數據關系之間存在一定偏差，再加上調峰引起的兩壩間及葛洲壩水電站下游水位變化更加復雜[5]，因此在實際計算出力時，通常由人工進行校正。

隨著機器學習技術在各行業的推廣應用，基于數據驅動的模型由于具有較高的精度以及不受復雜機理認知的影響而在電力行業得到了廣泛關注。Shang等[6]首次采用BP神經網絡建立葛洲壩水電站下游水位變化過程預測模型，結果較現有計算方法精度有顯著提升。Zhang等[7]對比了基于人工神經網絡、支持向量機和LSTM的3種水庫調度模擬模型，分析表明LSTM模型模擬效果較優。何自立等[8]采用相空間重構小波神經網絡預測徑流式水電站發電量，為電量預測提供了新思路。李霄等[9]將最小二乘支持向量機用于短期風電負荷預測中，并提出改進最小二乘支持向量機和預測誤差校正相結合的方法。雷昌寧[10]提出基于SARIMA和SVR混合模型的徑流量預測模型，并應用于黑河的徑流量預測中，達到了良好的預測效果。劉亞新等[11]提出基于LSTM的水電站短期水位預測方法，并用于葛洲壩水電站的下游水位預測。良好的數據驅動模型往往建立在對數據進行充分分析與探索的基礎上，三峽與葛洲壩水電站經過多年的運行積累了大量的數據，這些數據蘊含著巨大的價值，利用好調度數據，挖掘出反映水庫運行的隱含規律，可為葛洲壩水電站精益化運行提供技術支持。

本文采用機器學習方法對非棄水期葛洲壩水電站日均出力預測問題進行研究，從三峽水電站的運行數據出發，考慮三峽水庫與葛洲壩水電站的緊密水力聯系以及三峽水庫-葛洲壩水電站的出入庫不平衡影響，建立葛洲壩水電站入庫流量預測模型;在此基礎上，分析葛洲壩水電站日均出力的相關影響因素，建立葛洲壩水電站日均出力預測模型，從而實現從三峽水電站運行數據到葛洲壩水電站日均出力的全過程預測。

1 葛洲壩水電站日入庫流量預測

1.1 影響因素分析

在三峽水電站和葛洲壩水電站的多年運行中，受新機組投產、機組增容改造[12]以及河道下切等多因素的影響，葛洲壩水電站入庫流量計算也發生著變化[13]。對2003～2019年的三峽水庫日出庫流量、葛洲壩水電站日入庫流量、三峽水庫棄水數據、葛洲壩水電站棄水數據進行分析[14]，圖1和圖2分別為非棄水及棄水情況下2003～2006，2007～2011，2012～2014，2015～2019年葛洲壩水電站入庫流量與三峽水庫出庫流量的差值和三峽水庫出庫流量的關系圖。

從圖1可以看出：非棄水情況下，不同時間階段葛洲壩水電站入庫流量與三峽水庫出庫流量的差值和三峽水庫出庫流量存在不同的相關關系。① 2003～2006年，葛洲壩水電站入庫流量比三峽水庫出庫流量小200 m3/s以上，并且差值隨著三峽水庫出庫流量的增加呈現出單調遞減的趨勢。② 2007～2011年，增容改造陸續進行[15]，葛洲壩水電站發電能力增加，在三峽水庫出庫流量小于12 000 m3/s時，差值在-200 m3/s左右波動，遞減趨勢減弱;在三峽水庫出庫流量大于12 000 m3/s時，差值隨三峽水庫出庫流量呈現出遞增的趨勢。③ 2012～2014年，地電投產后，三峽水庫發電能力增加，相同的三峽水庫出庫流量下，差值整體有所上升。④ 2015～2019年，差值進一步上升，并且在三峽水庫出庫流量小于12 000 m3/s時，差值與三峽水庫出庫流量的關系由之前的遞減關系變為遞增關系。在預測時，考慮葛洲壩水電站入庫流量與三峽水庫出庫流量的差值和三峽水庫出庫流量的關系隨時間的趨勢變化，2015年之前與之后的數據關系表明電站處于不同的運行狀態，因此2015年之前的數據對當前葛洲壩水電站入庫流量預測將不會產生積極作用，故在建模時只對2015～2019年的數據進行研究。DFF3ED11-A11D-4AB8-85EB-FE194BEF08C0

從圖2可以看出：棄水情況下，不同時間階段葛洲壩水電站入庫流量與三峽水庫出庫流量的差值和三峽水庫出庫流量也存在不同的相關關系，但與非棄水期并不相同，因此應該分別建立棄水期和非棄水期的葛洲壩水電站入庫流量預測模型。

1.2 基于機器學習的葛洲壩水電站入庫流量預測模型

本文采用極端梯度提升（eXtreme Gradient Boosting，XGBoost）和自回歸差分移動平均模型（Autoregressive Integrated Moving Average model，ARIMA）來研究葛洲壩水電站入庫流量的預測問題。

1.2.1 XGBoost原理

XGBoost屬于Boosting族算法[16]，在XGBoost中，每輪迭代生成一個新的弱學習器來糾正前面所有弱學習器的殘差，最后多個弱學習器進行集成形成一個強學習器，其特點是可以自動運用CPU的多線程進行并行計算，同時在算法精度上也有較大提高，加入正則項以控制模型復雜度[17]。

XGBoost中的弱學習器通常為分類和回歸樹（CART）[18]，假設XGBoost模型最終有K個樹，則對于第i個樣本的預測值為

y^i=Kj=1fj（xi），fj∈F（1）

式中：y^i為第i個樣本的預測值;fj（xi）為第j棵CART樹對第i個樣本的預測;F為包含樹的函數空間。

為了得到這K個樹，需要構建模型訓練的目標函數。從保證模型預測的準確性和降低模型復雜度出發，XGBoost的目標函數由訓練損失和正則化項兩部分組成，設第k次迭代要訓練的決策樹為fk，則目標函數為

objk=Mi=1L（yi，y^ki）+kj=1Ω（fj）（2）

式中：M表示模型訓練的樣本量;yi表示模型輸出變量的第i個樣本的真實值;y^ki表示第k次迭代后第i個樣本的預測值，且y^ki=kj=1fj（xi）;Mi=1L（yi，y^ki）=Mi=1（yi-y^ki）2表示損失函數;kj=1Ω（fj）表示正則化項，表征模型的復雜度，防止模型過擬合。

當訓練第k個樹時，前面第1到k-1個樹是已知的，此時

y^ki=kj=1fj（xi）=k-1j=1fj（xi）+fk（xi）（3）

將式（2）進一步轉化為

objk=Mi=1L（yi，y^k-1i+fk（xi））+Ω（fk）+k-1i=1Ω（fi）（4）

上式中y^k-1i和k-1i=1Ω（fi）為已知項，對目標函數進行二階泰勒展開，并移除常數項，得到目標函數：

objk≈Mi=1gi·fk（xi）+12hi·f2k（xi）+Ω（fk）（5）

式中：gi為樣本xi在損失函數上的一階導;hi為樣本xi在損失函數上的二階導：

gi=y^k-1L（yi，y^k-1i）hi=2y^k-1L（yi，y^k-1i）（6）

決策樹的復雜度Ω由葉節點數T和葉節點的權重ω組成，即：

Ω（fk）=γT+12λTt=1ω2t（7）

式中：γ和λ為超參數。將式（7）帶入式（5），目標函數轉化為

objk≈Mi=1gi·fk（xi）+12hi·f2k（xi）+Ω（fk）=Mi=1gi·ωq（xi）+12hi·ω2q（xi）+γT+12λTt=1ω2t=Tt=1（i∈Itgi）ωt+12（i∈Ithi+λ）ω2t+γT（8）

式中：q（xi）表示樣本xi所屬的葉節點;It={iq（xi）=t}表示屬于葉節點t的所有樣本下標的集合。

定義Gt=i∈Itgi，Ht=i∈Ithi，帶入式（8），則得到最終的目標函數：

objk≈Tt=1Gtωt+12（Ht+λ）ω2t+γT（9）

上式中Gt和Ht為已知項，若第k個樹的結構給定，則對ωt求偏導，可得葉節點t的最優權重：

ωt=-GtHt+λ（10）

此時目標函數進一步簡化為

objk=-12Tt=1G2tHt+λ+γT（11）

采用貪心算法找出樹的最優切分點，構造決策樹fk。如此迭代直至滿足終止條件，最終由多個弱學習器之和得到了一個強學習器[19]。

1.2.2 ARIMA原理

ARIMA模型是一種時間序列的預測方法，通常表示為ARIMA（p，d，q）[20]，具體形式為

（1-pi=1αiLi）（1-L）dXt=（1+qi=1θiLi）εt（12）

式中：p表示自回歸項數;q表示移動平均項數;d表示將非平穩時間序列轉化為平穩時間序列所需要的差分次數;L表示滯后算子，LdXt=Xt-d;αi表示自回歸項的參數;θi表示移動平均項的參數;εt表示誤差項，是白噪聲過程。

ARIMA模型既考慮了時間序列的自相關性，又考慮了隨機波動的相關性，是應用廣泛且準確度較高的時間序列預測模型之一。為建立ARIMA（p，d，q）模型，首先需要對訓練數據的擬合誤差序列進行平穩性檢驗，如果非平穩，可以通過差分轉換為平穩時間序列。其次根據差分后的時間序列的自相關圖判斷移動平均項數q，根據偏自相關圖判斷自回歸項數p[21]。也可以結合Akaike信息準則（AIC）[22]或Bayes信息準則（BIC）[23]來選擇合適的p和q值。

將ARIMA模型應用于入庫流量預測主要是因為隨著時間的推移，以及受一些不可控制、無法預知的其他因素影響，下游電站入庫流量會出現一定范圍的波動，這些其他因素一般具有時間延續性，可以通過時間序列分析客觀反映，進而對入庫流量預測進行校正[24]。

1.2.3 模型構建DFF3ED11-A11D-4AB8-85EB-FE194BEF08C0

基于XGBoost和ARIMA的葛洲壩水電站入庫流量預測模型具體步驟如下。

（1） 選取模型相關數據，包括：三峽水庫全廠出力、三峽水庫毛水頭、三峽水庫出庫流量、葛洲壩水電站入庫流量。

（2） 計算三峽水庫出庫流量與葛洲壩水電站入庫流量的折算系數，折算系數為葛洲壩水電站入庫流量與三峽水庫出庫流量的比值。

（3） 將數據分為棄水數據集與非棄水數據集。

（4） 對棄水數據集和非棄水數據集分別構建XGBoost模型，模型輸入為待預測日前3 d的折算系數、三峽水庫全廠出力、三峽水庫毛水頭、三峽水庫出庫流量，模型輸出為待預測日的折算系數。

（5） 對棄水數據和非棄水數據的模型訓練誤差進行組合，構建誤差時間序列。

（6） 對誤差時間序列構建ARIMA模型。

（7） XGBoost模型和ARIMA模型的預測值之和即為折算系數的預測值。

（8） 三峽水庫出庫流量乘以折算系數預測值即為葛洲壩水電站入庫流量預測值。

本文采用自動機器學習框架auto_ml實現XGBoost模型的訓練和預測，該框架可以實現自動化建模，優化從數據預處理到特征工程到超參數調優的流程，提升建模效率，是常用的AutoML開源框架之一。ARIMA模型的訓練和預測采用R軟件中的auto.arima（）函數實現[25-26]，根據BIC準則確定模型的最佳參數組合（p，d，q）。

1.3 結果分析

表1～2為模型在2019年測試集上的預測結果，采用一步預測、滾動更新的方法實現，即以2015～2018年的數據作為訓練集并預測測試集的第1個步長的數據，然后將來自測試集的真實值添加至訓練集中，重新調整模型，預測第2個步長的數據，以此類推。將該方法與傳統的折算系數三日均值法進行對比，可以看出，該方法的各項評價指標均優于折算系數三日均值法，誤差標準差降低了24.6%，均方根誤差RMSE減小了23.123 m3/s。同時該方法有效減少了大流量預報誤差，絕對誤差大于200 m3/s的天數由13 d降為4 d，減少了3.5%;絕對誤差大于100 m3/s的天數由42 d降為26 d，減少了6.2%，說明該方法可以為葛洲壩水電站入庫流量預測提供參考依據。

2 葛洲壩水電站日均出力預測

2.1 影響因素分析

對影響葛洲壩水電站出力的相關變量進行分析。圖3為葛洲壩水電站發電流量、5號站平均水位、7號站平均水位、毛水頭、三峽水庫調峰量[27]、葛洲壩水電站調峰量與葛洲壩水電站出力隨年份（2015～2019年）變化的關系圖。由圖3可知各變量與葛洲壩水電站出力均呈現出較強的相關性，尤其是葛洲壩水電站發電流量、水頭及上下游水位，且相關關系沒有呈現出明顯的隨年份變化的趨勢。

圖4為葛洲壩水電站出力的自相關系數與偏自相關系數圖。由圖4可知：自相關系數存在拖尾現象，偏自相關系數2階之后減小到很小的數，說明葛洲壩水電站出力受前期出力的影響較大，在模型中應予以考慮。

2.2 基于貝葉斯嶺回歸的葛洲壩水電站日均出力預測模型

基于上述分析，本文考慮同類型日以及待預測日前期的出力、水位、流量等信息，采用貝葉斯嶺回歸模型，研究葛洲壩水電站日均出力預測問題。

2.2.1 貝葉斯嶺回歸模型

貝葉斯嶺回歸模型采用貝葉斯理論，將回歸問題中的參數視為隨機變量，通過增加先驗分布的形式，來降低模型復雜度，避免過擬合，因此具有較強的魯棒性。具體過程如下：

對樣本集{Xn，yn}Nn=1，Xn表示第n個樣本的自變量向量，yn表示第n個樣本的因變量值。設X為所有自變量和一列常數1所組成的矩陣，y為因變量向量，β為回歸系數向量。設yn服從高斯分布N（Xnβ，α-1），則概率密度函數為

p（yn|Xn，β，α）=12πα1/2exp-α（Xnβ-yn）22（13）

式中：α-1為高斯分布的方差。

β的先驗分布為高斯分布N（0，λ-1Im），則概率密度函數為

p（β|λ）=mj=112πλ1/2exp-λ（βj）22（14）

式中：Im表示m階單位矩陣;λ-1為高斯分布的方差。

參數α和λ的先驗分布分別取其共軛分布Gamma分布[28]，即：

p（α|α1，α2）=Γ（α1）-1αα12αα1-1e-α2α（15）

p（λ|λ1，λ2）=Γ（λ1）-1λλ12λλ1-1e-λ2λ（16）

式中：Γ（α1）=∫SymboleB@0tα1-1e-tdt;α1、α2、λ1、λ2為超參數，取默認值α1=α2=λ1=λ2=10-6。

根據貝葉斯定理，參數（β，α，λ）的聯合后驗分布密度函數為

p（β，α，λ|X，y）∝L（y|X，β，α）·p（β|λ）·p（α）·p（λ）∝Nn=1α1/2exp-α（Xnβ-yn）22×pj=1λ1/2exp-λ（βj）22·αα1-1e-α2α·λλ1-1e-λ2λ（17）

式中：L（y|X，β，α）表示樣本集的似然函數;p（β|λ）表示β的先驗分布密度函數;p（α）表示α的先驗分布密度函數;p（λ）表示λ的先驗分布密度函數。

對于給定的新預測點X，對應的因變量y的分布密度函數為

p（y|X，X，y）=∫p（y|X，β，α，λ）p（β，α，λ|X，y）dβdαdλ（18）

通過最大似然估計得到α和λ的估計值αMP和λMP后，公式（18）轉化為

p（y|X，X，y，αMP，λMP）=∫p（y|X，β，αMP）p（β|X，y，αMP，λMP）dβ（19）DFF3ED11-A11D-4AB8-85EB-FE194BEF08C0

取分布的均值作為因變量y的預測值[29]。

2.2.2 模型構建

基于貝葉斯嶺回歸的葛洲壩水電站日均出力預測模型的輸出變量為待預測日的葛洲壩水電站總出力，輸入變量如表3所列，采用自動機器學習框架auto_ml來實現貝葉斯嶺回歸模型的訓練與預測。

2.3 結果分析

圖5和表4為模型在2019年測試集上的預測結果，與1.3節類似，仍然采用一步預測、滾動更新的方法實現。結果表明：模型預測的平均誤差為-0.115 萬kW，平均絕對誤差MAE為0.645 萬kW，均方根誤差RMSE為0.973 萬kW，在2019年非棄水期中有10 d絕對誤差大于2 萬kW，占總天數的4%，達到了良好的預測效果。

3 葛洲壩水電站入庫-日均出力全過程預測

前述中的葛洲壩水電站日均出力預測模型假設葛洲壩水電站發電流量為已知數據，本節考慮葛洲壩水電站發電流量未知的情形。將葛洲壩水電站日入庫流量預測模型和日均出力預測模型相結合，通過日入庫流量預測模型得到葛洲壩水電站入庫流量，再通過葛洲壩水電站的初末水位控制計算葛洲壩水電站出庫流量，葛洲壩水電站出庫流量減去船閘流量得發電流量，最后由葛洲壩水電站日均出力預測模型得到葛洲壩水電站日均出力，以此來分析從已知三峽水庫出庫流量預測葛洲壩水電站日均出力的誤差情況。

表5為葛洲壩水電站發電流量未知情形下由日入庫流量預測模型和日均出力預測模型相結合計算的2019年測試集上的葛洲壩水電站出力預測結果，圖6為葛洲壩水電站出庫流量預測值和預測誤差，圖7為葛洲壩水電站出力預測值和預測誤差，圖8為葛洲壩水電站出庫流量誤差與出力預測誤差關系圖。

對比表5和表4可以看出：從三峽水庫出庫到葛洲壩水電站日均出力整個過程中，模型推算的葛洲壩水電站出庫流量誤差并未對出力預測產生較大影響。誤差均值、標準差、均方根誤差RMSE、平均絕對誤差MAE值未顯著增大，MAE由之前的0.645 萬kW變為0.752 萬kW，RMSE由之前的0.973 萬kW變為1.051 萬kW;且葛洲壩水電站出力絕對誤差大于2 萬kW的天數由10 d增加到了12 d，控制在合理范圍內，說明該預測方法較為穩健，可以作為葛洲壩水電站日均出力計劃的參考。

由圖8可知：葛洲壩水電站出庫流量預測誤差與葛洲壩水電站出力預測誤差基本呈現出線性正相關關系，為減小葛洲壩水電站出力誤差，應盡量減小葛洲壩水電站出庫流量誤差。從擬合關系來看，將葛洲壩水電站出庫流量誤差控制在200 m3/s內基本可以使出力誤差小于2 萬kW。

4 結 論

本文采用機器學習方法對非棄水期葛洲壩水電站日均出力預測進行了研究，考慮三峽水庫與葛洲壩水電站的緊密水力聯系，從三峽水電站的運行數據出發，探究了三峽-葛洲壩水電站的出入庫折算系數，推求葛洲壩水電站入庫流量，進而建立葛洲壩水電站日均出力預測模型。主要研究結論如下。

（1） 對2003～2019年的三峽水庫出庫流量與葛洲壩水電站入庫流量進行分析，得出葛洲壩水電站入庫流量與三峽水庫出庫流量的差值和三峽水庫出庫流量呈現出顯著的相關關系，且在不同的時間階段相關關系有所差異。相同的三峽水庫出庫流量量級下，差值隨著不同的時間階段呈現出遞增的趨勢。

（2） 用2015年以后的數據進行分析并建立了基于XGBoost和ARIMA的葛洲壩水電站入庫流量預測模型，預測三峽水庫出庫流量與葛洲壩水電站入庫流量之間的折算系數，進而預測葛洲壩水電站入庫流量。2019年非棄水期的測試結果表明：本文提出的方法優于傳統的折算系數三日均值法，可以減少大流量誤差的天數，降低平均絕對誤差，可作為非棄水期葛洲壩水電站入庫流量的參考，為葛洲壩水電站日均出力預測提供輸入。

（3） 在對非棄水期葛洲壩水電站日均出力影響因素分析的基礎上，提出了基于貝葉斯嶺回歸的葛洲壩水電站日均出力預測模型。在葛洲壩水電站發電流量已知時，該方法在2019年測試集上的預測表現良好，可以準確地預測出葛洲壩水電站出力;在葛洲壩水電站發電流量未知時，將葛洲壩水電站日入庫流量預測模型和已知葛洲壩水電站發電流量的葛洲壩水電站日均出力預測模型相結合進行預測，結果表明：從三峽水庫的運行情況推求葛洲壩水電站日均出力整個計算過程中，葛洲壩水電站日均出力預測誤差無顯著增大，且誤差控制在合理范圍內，可以為葛洲壩水電站日均出力計劃制定提供參考。

參考文獻：

[1] 牛蘭花，張小峰，李云中.三峽電站調峰試驗兩壩間非恒定流原型觀測分析[J].人民長江，2006，37（12）：24-27.

[2] 徐楊，樊啟祥，尚毅梓，等.非棄水期葛洲壩水電站下游水位變化過程預測新方法[J].水利水電科技進展，2019，39（3）：50-55.

[3] 浦偉偉.葛洲壩水電站反調節研究[D].武漢：華中科技大學，2010.

[4] 祝俊，羅霄凌，鮑正風.基于多元門限回歸模型的葛洲壩入庫流量分析[J].水科學與工程技術，2013（5）：1-3.

[5] 劉園，黃鈺凱，李天成.調峰過程中葛洲壩下游水位變化分析[J].水電與新能源，2019，33（10）：25-29.

[6] SHANG Y Z，XU Y，SHANG L，et al.A method of direct，real-time forecasting of downstream water levels via hydropower station reregulation：a case study from Gezhouba hydropower plant，China [J].Journal of Hydrology，2019，537：895-907.

[7] ZHANG D，LIN J Q，PENG Q D，et al.Modeling and simulating of reservoir operation using the artificial neural network，support vector regression，deep learning algorithm[J].Journal of Hydrology，2018，565：720-736.DFF3ED11-A11D-4AB8-85EB-FE194BEF08C0

[8] 何自立，陸夢可，王正中，等.基于相空間重構小波神經網絡徑流式水電站發電量預測[J].中國農村水利水電，2017（9）：178-180，190.

[9] 李霄，王昕，鄭益慧，等.基于改進最小二乘支持向量機和預測誤差校正的短期風電負荷預測[J].電力系統保護與控制，2015，43（11）：63-69.

[10] 雷昌寧.基于SARIMA和SVR混合模型的黑河徑流量預測分析[D].蘭州：蘭州大學，2018.

[11] 劉亞新，樊啟祥，尚毅梓，等.基于LSTM神經網絡的水電站短期水位預測方法[J].水利水電科技進展，2019，39（2）：56-60，78.

[12] 艾友忠，盧進玉.葛洲壩電站機組增容改造綜述[J].水力發電，2006，32（1）：80-83.

[13] 張益華.淺談三峽-葛洲壩聯合運行對葛洲壩電站的影響[J].華中電力，2011，24（5）：75-78.

[14] 王必新.三峽-葛洲壩梯級水利樞紐調度關鍵數據分析[J].水利水電技術，2015，46（4）：100-103，113.

[15] 解浩兵，徐華奇.葛洲壩電站增容改造機組運行穩定性介紹[J].大電機技術，2009（6）：39-43，48.

[16] 周志華.機器學習[M].北京：清華大學出版社，2016.

[17] 閆星宇，顧漢明，肖逸飛，等.XGBoost算法在致密砂巖氣儲層測井解釋中的應用[J].石油地球物理勘探，2019，54（2）：447-455.

[18] 李航.統計學習方法[M].北京：清華大學出版社，2012.

[19] 李廣野，李偉，田小蕾，等.基于XGBoost算法的短期電力負荷預報[J].智能電網，2017，7（4）：274-285.

[20] HYNDMAN R J，ATHANASOPOULOS G.Forecasting：principles and practice [M].Melbourne：OTexts，2018.

[21] 崔振輝，李林川，趙承利，等.基于ARIMA的電力視頻流量分析和預測[J].天津大學學報（自然科學與工程技術版），2015，48（1）：49-55.

[22] AKAIKE H.A new look at the statistical model identification[J].Automatic Control IEEE Transactions on，1974，19（6）：716-723.

[23] SCHWARZ G E.Estimating the dimensions of a model[J].Annals of Statistics，1978，6（2）：461-464.

[24] 張瑞國，李春雨，丁志宏，等.基于時間序列模型的雷達數據隨機誤差建模與補償[J].現代雷達，2016，38（11）：49-52.

[25] KABACOFF R I.R in Action：data analysis and graphics with R （Second Edition）[M].New York：Manning Publications，2015.

[26] HYNDMAN R J，KHANDAKAR Y.Automatic time series forecasting：the forecast package for R[J].Journal of Statistical Software，2008，27（1）：1-22.

[27] 李天成，鮑正風，王祥，等.基于棄水邊界條件下的葛洲壩電站日發電計劃制作策略研究[J].水力發電，2020，46（11）：87-90，100.

[28] 王佐仁，楊琳.貝葉斯統計推斷及其主要進展[J].統計與信息論壇，2012，27（12）：3-8.

[29] BISHOP C M.Pattern Recognition and Machine Learning[M].New York：Springer，2006.

（編輯：謝玲嫻）

Prediction of daily power output of Gezhouba Hydropower Station during

non-discarded water period based on machine learning

LIU Yaxin1，2，XU Yang1，2

（1.China Yangtze Power Co.，Ltd.，Yichang 443002，China; 2.Hubei Key Laboratory of Intelligent Yangtze and Hydroelectric Science，Yichang 443002，China）

Abstract：

It′s known that the Three Gorges Reservoir and Gezhouba Hydropower Station have close hydraulic connection.However，there is an inconsistency between the Three Gorges Reservoir′s outflow and Gezhouba Hydropower Station′s inflow by operational monitoring，which brings uncertainty to the inflow and power output prediction of Gezhouba Hydropower Station.In order to solve these problems，a prediction model was proposed for Gezhouba Hydropower Station′s inflow based on eXtreme Gradient Boosting （XGBoost） and Autoregressive Integrated Moving Average model （ARIMA） during the non-discarded water period.What′s more，another prediction model was proposed for daily power output of Gezhouba Hydropower Station based on Bayesian Ridge Regression.And then，these two models were combined to predict the daily power output with unknown reservoir inflow.Through the experimental analysis during the non-discarded water period in 2019，the results showed that the proposed inflow prediction model performed better than traditional three-day average conversion coefficient method，greatly reducing the prediction error.Further more，the daily power output prediction model has high precision accuracy and strong noise robusticity，and it can be applied to making power-generation plan of Gezhouba Hydropower Station during non-discarded water period.

Key words：

reservoir inflow;daily power output;machine learning;Bayesian Ridge Regression;Gezhouba Hydropower Station;Three Gorges ReservoirDFF3ED11-A11D-4AB8-85EB-FE194BEF08C0