1.本发明涉及计算机技术领域，特别是涉及一种小水电群出力预测方法、装置、计算机设备及存储介质。
背景技术：2.目前，小水电群出力预测依然是一个难题，在实际应用中，由于历史原因，往往存在有一部分水电站缺乏历史数据。现有的小水电群出力预测技术没有单独考虑小水电群中有部分水电站缺乏历史数据的情况，对于缺乏历史数据的水电站，因为缺乏足够的历史数据训练预测模型，经常直接套用其他历史数据充分的水电站的预测模型进行预测，这种预测方法将会出现预测性能明显下降，准确率大大降低，无法满足实际需要的技术问题。
技术实现要素：3.本发明的主要目的在于提供一种小水电群出力预测方法、装置、计算机设备及存储介质，旨在解决现有的小水电群出力预测技术没有单独考虑小水电群中有部分水电站缺乏历史数据的情况，导致出现预测性能明显下降，准确率大大降低，无法满足实际需要的技术问题。
4.基于此，有必要针对上述问题，提出了一种小水电群出力预测方法、装置、计算机设备及存储介质。
5.一种小水电群出力预测方法，所述方法包括：
6.获取目标流域类中的各个目标单流域各自对应的目标数据；
7.从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
8.若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
9.若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
10.根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。
11.可选地，所述获取目标流域类中的各个目标单流域各自对应的目标数据的步骤之前，包括：
12.获取原始静态流域特征数据集，并对所述原始静态流域特征数据集进行预处理，得到目标流域特征数据集；
13.对所述目标流域特征数据集按照预设类别数量进行聚类分析，得到各个聚类集合；
14.将每个所述聚类集合对应的类别分别作为一个流域类；
15.将任一个所述流域类作为所述目标流域类，并将所述目标流域类中的每个流域作为所述目标单流域。
16.可选地，所述获取原始静态流域特征数据集，并对所述原始静态流域特征数据集进行预处理，得到目标流域特征数据集的步骤，具体包括：
17.对所述原始静态流域特征数据集进行归一化处理，得到第一流域特征数据集；
18.采用预设的非线性降维算法，对所述第一流域特征数据集进行降维，得到所述目标流域特征数据集。
19.可选地，所述从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果的步骤之前，还包括：
20.将所述目标流域类中的任一所述目标单流域作为待训练流域；
21.获取所述待训练流域对应的训练样本集；
22.采用所述训练样本集，对预设的初始模型进行径流量的预测训练，将训练完成的所述初始模型作为所述目标单流域对应的所述径流预测模型；其中，所述初始模型是基于时序融合变压器得到的模型；
23.重复所述将所述目标流域类中的任一所述目标单流域作为待训练流域的步骤，直至完成对所述目标流域类中的每个所述目标单流域的获取；
24.将所述目标流域类中的各个所述目标单流域对应的各个所述径流预测模型作为所述目标径流预测模型集。
25.可选地，所述将所述目标流域类中的任一所述目标单流域作为待训练流域的步骤，包括：
26.将所述目标流域类中的任一所述目标单流域作为待分析流域；
27.判断所述待分析流域的数据样本是否充分；
28.若是，则将所述待分析流域作为所述待训练流域。
29.可选地，所述将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果的步骤之前，还包括：
30.采用预设的提升算法，将所述目标径流预测模型集中的各个所述径流预测模型输出的结果进行组合叠加，形成复合模型，将所述复合模型作为所述径流量拟合模型。
31.可选地，所述根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果的步骤，包括：
32.根据所述单流域径流量预测结果和与所述单流域径流量预测结果对应的各个发电机水流流量阈值范围，确定各个发电机水流流量工作区间；
33.根据所述发电机水流流量工作区间及其对应的各个发电机数量，计算得到单范围出力结果预测区间；
34.根据各个所述目标单流域对应的所述单范围出力结果预测区间，确定所述小水电群出力预测结果。
35.一种小水电群出力预测装置，所述装置包括：
36.获取模块，用于获取目标流域类中的各个目标单流域各自对应的目标数据；
37.查找模块，用于从与所述目标流域类对应的目标径流预测模型集中查找与所述目
标单流域对应的径流预测模型，得到查找结果；
38.第一径流量预测模块，用于当所述查找结果为成功时，将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
39.第二径流量预测模块，用于当所述查找结果为失败时，将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
40.出力预测结果模块，用于根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。
41.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
42.获取目标流域类中的各个目标单流域各自对应的目标数据；
43.从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
44.若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
45.若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
46.根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。
47.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
48.获取目标流域类中的各个目标单流域各自对应的目标数据；
49.从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
50.若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
51.若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
52.根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。
53.本发明中通过对流域进行分类，针对不同的流域建立不同的径流预测模型。当目标单流域存在对应的径流预测模型时，采用与所述目标单流域对应的径流预测模型进行预测，得到单流域径流量预测结果；当目标单流域不存在与之对应的径流预测模型时，将目标
单流域对应的目标数据分别输入目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；实现了对每个流域的准确预测。经检验在较长时间范围内将预测准确率保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
附图说明
54.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
55.其中：
56.图1为一个实施例中一种小水电群出力预测方法的流程图；
57.图2为一个实施例中一种小水电群出力预测装置的模块框图；
58.图3为一个实施例中计算机设备的结构框图。
具体实施方式
59.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.为了清楚，不描述实际实施例的全部特征。在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中，必须做出大量实施细节以实现开发者的特定目标，例如按照有关系统或有关商业的限制，由一个实施例改变为另一个实施例。应当认为这种开发工作可能是复杂和耗费时间的，但是对于本领域技术人员来说仅仅是常规工作。
61.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等的描述是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
62.下面将对本发明中小水电群出力预测方法进行介绍，请参阅图1，本发明实施例中小水电群出力预测方法一个实施例包括：
63.101、获取目标流域类中的各个目标单流域各自对应的目标数据；
64.本实施例中，目标流域类可以为城市范围内按流域特征分类后的任一流域类别，目标单流域可以为目标流域类中任一流域，目标数据为目标单流域对应的流域数据。
65.目标数据为一个按日期排序的序列数据集合，其中具体可分为预测日期以前的历
史目标数据和预测日期的目标数据；历史目标数据具体数据类型包括但不限于：日期、白昼时间(s)、小时时间点、单小时降水量(mm/day)、单小时短波辐射(w/m2)、单小时平均气温(c)、单小时平均蒸汽压(pa)和单小时径流量(m3/s)；预测日期的目标数据来源为天气预报等预测信息，此时具体数据类型包括但不限于：日期、白昼时间(s)、小时时间点、单小时降水量(mm/day)、单小时短波辐射(w/m2)、单小时平均气温(c)和单小时平均蒸汽压(pa)。
66.可以理解的是，小时时间点可以是一个小时的结束时间，也可以是一个小时的开始时间，还可以是一个小时中间的时间点。
67.流域，是一个小水电站所在位置以上的水系干流和支流所流过的地区。
68.102、从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
69.目标径流预测模型集为该目标流域类中的各个目标单流域所对应的各个径流预测模型组成的集合；径流预测模型为目标单流域的预测模型；查找结果为是否查找到的与目标单流域对应的径流预测模型。查找结果为成功，意味着所述查找结果为成功的所述目标单流域已经有训练好的所述径流预测模型；查找结果为失败，意味着所述查找结果为失败的所述目标单流域没有训练好的所述径流预测模型。
70.所述径流预测模型是基于时序融合变压器(temporal fusion transformers，简称tft)训练得到的模型。
71.可以理解的是，所述径流预测模型可以是单步预测模型，也可以是多步预测模型。单步预测模型，也就是每次预测一个小时的数据。多步预测模型，也就是每次预测连续的多个小时的数据，比如，一次预测一天24小时的数据，或者一次预测连续的n天每个小时的数据。
72.103、若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
73.若所述查找结果为成功，将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，将预测得到的数据作为单流域径流量预测结果。
74.单流域径流量预测结果为将上述目标数据输入对应的径流预测模型得到的该单流域的径流量区间预测结果，该径流量区间预测结果由径流预测模型输出的三个预测结果构成，三个预测结果分别是：第一预测结果、第二预测结果和第三预测结果，第一预测结果为区间的上限，第二预测结果为区间的下限，第三预测结果为区间的中点，其中，第一预测结果为模型预测90分位数的预测结果，第二预测结果为模型预测10分位数的预测结果，第三预测结果为模型预测50分位数的预测结果。
75.分位数为统计学上变量分布范围的术语，如果将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。
76.104、若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
77.若所述查找结果为失败，需要根据所述目标径流预测模型集和径流量拟合模型确定所述单流域径流量预测结果。
78.待分析流量集合为将该流域对应的目标数据输入到各个所述径流预测模型得到的预测结果构成的集合；径流量拟合模型是为数据样本匮乏无法建立径流预测模型的目标单流域建立的拟合模型。
79.所述径流量拟合模型是基于提升算法训练得到的模型。
80.105、根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果；
81.根据各个所述单流域径流量预测结果进行小水电站发电的功率预测，最后得到目标流域类对应的整个小水电群的发电总功率，从而确定小水电群出力预测结果。
82.通过对小水电群出力预测结果进行检验，当预测两个月的小水电群出力预测结果时，在第一个月内该小水电群出力预测方法的纳什效率系数达到了百分之七十，在第二个月后也能保持在百分之四十以上的高效准确率，相比于现有预测技术在十天之后准确率就大大的降低，纳什效率系数达到负数的情况，本小水电群出力预测方法极大的提高了预测的可靠性。
83.纳什效率系数，为水文模型中常见的用来判断模拟结果好坏的判断系数，取值为负无穷至1；系数越接近1，表示模型质量越好，模型可信度高；系数越接近0，表示模拟结果接近观测值的平均值水平，即总体结果可信，但过程模拟误差大；系数远远小于0，则表示模型是不可信的。
84.本发明中通过对流域进行分类，针对不同的流域建立不同的径流预测模型。当目标单流域存在对应的径流预测模型时，采用与所述目标单流域对应的径流预测模型进行预测，得到单流域径流量预测结果；当目标单流域不存在与之对应的径流预测模型时，将目标单流域对应的目标数据分别输入目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；实现了对每个流域的准确预测。经检验在较长时间范围内将预测准确率保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
85.可选地，在上述图1对应的实施例的基础上，本发明实施例提供的小水电群出力预测方法第一个可选实施例中，获取目标流域类中的各个目标单流域各自对应的目标数据，还可以包括：
86.1001、获取原始静态流域特征数据集，并对所述原始静态流域特征数据集进行预处理，得到目标流域特征数据集；
87.1002、对所述目标流域特征数据集按照预设类别数量进行聚类分析，得到各个聚类集合；
88.1003、将每个所述聚类集合对应的类别分别作为一个流域类；
89.1004、将任一个所述流域类作为所述目标流域类，并将所述目标流域类中的每个流域作为所述目标单流域。
90.本实施例中，原始静态流域特征数据集可以为城市内各个流域的静态流域特征数据的集合，其中静态流域特征数据可以包括：日平均降水量、日平均潜在蒸散量、干旱度(蒸散量/降水量)、降水季节性与时间、降雪频率、大雨频率、大雨持续时间、干旱率(降水稀少日的比率)、干旱日持续时间、森林覆盖率、流域经纬度、土壤含沙的比率，土壤含淤泥的比
率、土壤含粘土的比率、地下渗透率等。
91.目标流域特征数据集为对原始静态流域特征数据集经过处理后得到的数据集合，处理可以为归一化、降维等。目标流域特征数据集中的每组目标流域特征数据对应一个流域。
92.聚类分析为将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，目标是在相似的基础上收集数据来分类。本实施例中采用的聚类分析算法可以为k-means聚类算法(k均值聚类算法)、二分k-means算法(二分k均值聚类算法)、kernel k-means算法(核k均值算法)等，此处不过多限定。本实施例以k-means聚类算法举例说明，通过k-means聚类算法按照预设的类别数量对目标流域特征数据集进行分类，k-means作为无监督聚类算法中的代表，该算法的主要作用是将相似的样本自动归到一个类别中，算法执行逻辑为首先计算每一个对象到类簇中心的距离；其次，根据类簇内的对象计算新的簇类中心。
93.聚类分析后，得到与预设数量相同数量的聚类集合，将各个聚类集合作为不同的流域分类，一个聚类集合对应一个流域类别，一个聚类集合中的每组目标流域特征数据对应一个流域，目标流域类为任一聚类集合，目标流域类中的每个流域都可以为目标单流域。
94.本实施例通过对原始静态流域特征数据集进行预处理，既保留了数据的原始特征，又剔除了其中的无效数据，便于之后对目标流域特征数据集进行分类，按照静态流域特征数据对流域进行分类可以充分考虑小水电站所在流域的静态流域特征，更加深入的挖掘小水电站的地区相关性，为实现精准的多步长预测打下基础。
95.可选地，在上述实施例的基础上，本发明实施例提供的小水电群出力预测方法第二个实施例中，获取原始静态流域特征数据集，并对所述原始静态流域特征数据集进行预处理，得到目标流域特征数据集的过程，具体可以包括：
96.10011、对所述原始静态流域特征数据集进行归一化处理，得到第一流域特征数据集；
97.归一化处理是数据处理领域中为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性问题。原始数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价；其目的是使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响，奇异样本数据是指相对于其他输入样本特别大或特别小的样本矢量。本实施例中归一化采用的方法可以为：线性函数归一化、零均值归一化、神经网络归一化，此处不做具体限定。
98.第一流域特征数据集为进行归一化处理后的原始静态流域特征数据集。
99.10012、用预设的非线性降维算法，对所述第一流域特征数据集进行降维，得到所述目标流域特征数据集。
100.降维是通过单幅图像数据的高维化，对单幅图像转化为高维空间中的数据集合进行的一种操作，非线性降维则是使用非线性方式来减少维度，同时保留局部结构的操作。本实施例中采用的非线性降维算法可以为isomap(等距特征映射算法)、局部线性嵌入算法、核化线性降维等，此处不做具体限定。
101.本实施例选用isomap进行举例，首先使用邻近算法找到每个数据点的k个最近邻，此处，“k”是可以在模型超参数中指定的邻居数量；找到邻居后，如果点是彼此的邻居，则构
建邻域图，其中点相互连接；不是邻居的数据点保持未连接状态，计算每对数据点(节点)之间的最短路径，即找到点之间的测地线距离。最后使用多维缩放计算低维嵌入，以便尽可能保留点之间的距离。
102.isomap是一种非线性的降维算法、一种非迭代的全局优化算法、一种等距映射算法，也就是说降维后的点，两两之间距离不变，这个距离是测地距离。其中，测地距离与欧式距离，以从南极到北极为例子，欧式距离就是两点之间直线最短，测地距离则是曲线的长度，更符合实际情况。
103.本实施例通过对原始静态流域特征数据集进行预处理，既保留了数据的原始特征，同时还剔除了其中的无效数据；又采用降维算法对该原始静态流域特征数据集进行降维，保留了原始静态流域特征数据集的局部结构；便于之后对目标流域特征数据集进行分类，按照静态流域特征数据对流域进行分类可以充分考虑小水电站所在流域的静态流域特征，更加深入的挖掘小水电站的地区相关性，为实现精准的多步长预测打下基础。
104.可选地，在上述实施例的基础上，本发明实施例提供的小水电群出力预测方法第一个实施例中，所述从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果的步骤之前，还可以包括：
105.1011、将所述目标流域类中的任一所述目标单流域作为待训练流域；
106.1012、获取所述待训练流域对应的训练样本集；
107.1013、采用所述训练样本集，对预设的初始模型进行径流量的预测训练，将训练完成的所述初始模型作为所述目标单流域对应的所述径流预测模型；其中，所述初始模型是基于时序融合变压器得到的模型；
108.1014、重复所述将所述目标流域类中的任一所述目标单流域作为待训练流域的步骤，直至完成对所述目标流域类中的每个所述目标单流域的获取；
109.1015、将所述目标流域类中的各个所述目标单流域对应的各个所述径流预测模型作为所述目标径流预测模型集。
110.待训练流域是即将要建立对应的径流预测模型的流域。训练样本集包括多个训练样本，训练样本为待训练流域的历史径流数据，用于对预测模型进行训练，其中训练样本的数据类型包括：日期、白昼时间(s)、小时时间点、单小时降水量(mm/day)、单小时短波辐射(w/m2)、单小时平均气温(c)、单小时平均蒸汽压(pa)与单小时径流量(m3/s)。
111.预设的初始模型可以为时序融合变压器tft，一种新的基于注意力的架构，它结合了高性能的多水平预测和可解释的时间动态洞察力，为了学习不同尺度上的时间关系，tft使用了局部处理的循环层和长期依赖的可解释自我注意层。tft利用专门的组件来选择相关的功能和一系列的门控层来抑制不必要的组件，从而在广泛的场景中实现高性能，其中，具体包括了五个组件：序列到序列和基于注意力的时间处理组件，捕获不同时间尺度上的时变关系；静态协变量编码器，允许网络在静态元数据上限制时间预测；门控组件，允许跳过网络的不必要部分；变量选择，在每个时间步长选取相关的输入特征；分位数预测，获得所有预测视域的输出区间。分位数预测，通过有目的地引入偏差来修正高于和低于预测的几率，分位数法是对很多垂直领域传统预测的一次根本性改进。
112.对tft采用训练样本集进行训练，训练完成后得到与该训练样本集数据对应的待训练流域的径流预测模型，该径流预测模型通过分位数预测组件输出90分位数的预测结
果、10分位数的预测结果、50分位数的预测结果，其中，90分位数构成预测区间的上限、10分位数构成预测区间的下限，50分位数构成预测区间的中点，得到了更高的预测准确度。分位数是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数(即二分位数)、四分位数、百分位数等，这里采用百分位数。
113.其中，重复所述将所述目标流域类中的任一所述目标单流域作为待训练流域的步骤，也就是重复上述1011-1013步骤，直到完成对目标流域类中所有目标单流域的获取；当完成对目标流域类中所有目标单流域的获取时，意味着对目标流域类中的每个目标单流域进行了建立径流预测模型的处理，将各个目标单流域对应的径流预测模型作为与目标流域类对应的目标径流预测模型集。
114.本实施例通过对各个目标单流域建立对应径流预测模型，保证了预测的有效性，同时又采用了最新的tft模型来构建径流预测模型，通过分位数预测得到预测区间，提高了模型预测的准确性，为实际应用留下了更多的参考空间，通过对小水电群出力预测结果进行检验，当预测两个月的小水电群出力预测结果时，在第一个月内该小水电群出力预测方法的纳什效率系数达到了百分之七十，在第二个月后也能保持在百分之四十以上的高效准确率，相比于现有预测技术在十天之后准确率就大大的降低，纳什效率系数达到负数的情况，本小水电群出力预测方法极大的提高了预测的可靠性。本发明中通过对流域进行特征分类，针对每个流域建立对应径流预测模型，实现了当预测时间范围增大时，预测准确率也保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
115.可选地，在上述实施例的基础上，本发明实施例提供的小水电群出力预测方法第四个实施例中，所述将所述目标流域类中的任一所述目标单流域作为待训练流域的步骤，还可以包括：
116.10111、将所述目标流域类中的任一所述目标单流域作为待分析流域；
117.10112、判断所述待分析流域的数据样本是否充分；
118.10113、若是，则将所述待分析流域作为所述待训练流域。
119.待分析流域为任一所述目标单流域，对待分析流域的历史数据样本进行判断，如果待分析流域的历史数据样本缺乏该流域的历史出力数据或者历史径流量数据，或者两者都缺乏，则判断该待分析流域的数据样本不充分；只有两者都具备，才判断该待分析流域的数据样本充分，并将所述待分析流域作为所述待训练流域。
120.本实施例通过对数据样本充分与不充分的流域进行分离，既保证了数据样本充分的流域的预测有效性，同时又对数据样本不充分的流域进行拟合以保证同样的高预测有效性，增加了实际应用的可靠性，为现实中有部分电站缺乏数据的问题，提前做好了预案，实际应用留下了更多的操作空间，通过对小水电群出力预测结果进行检验，当预测两个月的小水电群出力预测结果时，在第一个月内该小水电群出力预测方法的纳什效率系数达到了百分之七十，在第二个月后也能保持在百分之四十以上的高效准确率，相比于现有预测技术在十天之后准确率就大大的降低，纳什效率系数达到负数的情况，本小水电群出力预测方法极大的提高了预测的可靠性，满足了实际需要。
121.可选地，在上述实施例的基础上，本发明实施例提供的小水电群出力预测方法第一个实施例中，所述将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模
型进行拟合，得到所述单流域径流量预测结果的步骤之前，还可以包括：
122.1031、采用预设的提升算法，将所述目标径流预测模型集中的各个所述径流预测模型输出的结果进行组合叠加，形成复合模型，将所述复合模型作为所述径流量拟合模型。
123.提升算法是一项机器学习技术，可以用于回归和分类问题，它每一步都产生一个弱预测模型(如决策树)，并加权累加到总模型中，其能够将预测精度仅比随机度略高的弱学习器增强为预测精度高的强学习器。本方法采用的提升算法可以为梯度提升决策树(gbdt)、自适应提升算法(adaboost)、轻梯度提升机(lightgbm)等，此处不做具体限定。径流预测模型为tft训练完成后与目标单流域对应的预测模型；复合模型为采用提升算法加权组合后得到的总模型；径流量拟合模型为对数据样本不充分的流域进行预测的预测模型。
124.本实施例以轻梯度提升机算法作为举例，lightgbm算法采用的生长方法是leaf-wise learning(树叶理智学习)，每次从当前已经建立好的树当中，把所有叶子挑出来，找到分裂增益最大的那个叶子，然后分裂，不断重复这个过程，减少了计算量；同时lightgbm算法采用的是直方图算法，即将特征值分为很多小桶，直接在这些桶上寻找分类，这样带来了存储代价和计算代价等方面的缩小，从而得到更好的性能，
125.本实施例通过对数据样本充分与不充分的流域进行分离，既保证了数据样本充分的流域的预测有效性，同时又对数据样本不充分的流域进行拟合以保证同样的高预测有效性，增加了实际应用的可靠性，为现实中有部分电站缺乏数据的问题，提前做好了预案，实际应用留下了更多的操作空间，通过对小水电群出力预测结果进行检验，当预测两个月的小水电群出力预测结果时，在第一个月内该小水电群出力预测方法的纳什效率系数达到了百分之七十，在第二个月后也能保持在百分之四十以上的高效准确率，相比于现有预测技术在十天之后准确率就大大的降低，纳什效率系数达到负数的情况，本小水电群出力预测方法极大的提高了预测的可靠性，满足了实际需要。
126.可选地，在上述实施例的基础上，本发明实施例提供的小水电群出力预测方法第一个实施例中，所述根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果的步骤，包括：
127.1051、根据所述单流域径流量预测结果和与所述单流域径流量预测结果对应的各个发电机水流流量阈值范围，确定各个发电机水流流量工作区间；
128.1052、根据所述发电机水流流量工作区间及其对应的各个发电机数量，计算得到单范围出力结果预测区间；
129.1053、根据各个所述目标单流域对应的所述单范围出力结果预测区间，确定所述小水电群出力预测结果。
130.发电机水流流量阈值范围为发电机的水流流量工作范围，该水流流量工作范围存在一个最小阈值即发电机工作所需要的最小径流量与最大阈值即最大输出功率工作时的径流量；当流域径流量小于发电机的水流流量工作范围的最小阈值时，发电机不工作；当流域径流量大于发电机的水流流量工作范围的最小阈值且小于水流流量工作范围的最大阈值时，发电机以通过其的流域径流量进行发电工作；当流域径流量大于发电机的水流流量工作范围的最大阈值时，发电机以水流流量工作范围的最大阈值进行发电。水流流量工作区间即为流域径流量与各个发电机水流流量阈值范围进行比较后，得到的各个发电机水流
流量工作时的有效径流量范围。
131.单范围出力结果预测区间为一个流域(也就是单流域)同种型号所有发电机的水流流量工作区间的总和；小水电群出力预测结果即所有单范围出力结果预测区间根据发电转换公式得到的该水电群所有发电站出力预测总和，该发电转换公式为：p＝μ(q
t
)γq
thn
(q
t
)，其中μ是电站效率，它是关于水流量的函数；γ是水的比重(9.81kn/m3)；q
t
是通过发电机的所有有效水流量(m3/s)；hn是净水头，将各个所述目标单流域对应的所述单范围出力结果预测区间进行加总得到q
t
代入上式即得到小水电群出力预测结果。
132.本实施例通过对各个目标单流域建立对应径流预测模型，保证了预测的有效性，通过对小水电群出力预测结果进行检验，当预测两个月的小水电群出力预测结果时，在第一个月内该小水电群出力预测方法的纳什效率系数达到了百分之七十，在第二个月后也能保持在百分之四十以上的高效准确率，相比于现有预测技术在十天之后准确率就大大的降低，纳什效率系数达到负数的情况，本小水电群出力预测方法极大的提高了预测的可靠性。同时通过对流域进行特征分类，针对每个流域建立对应径流预测模型，实现了当预测时间范围增大时，预测准确率也保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
133.在一个实施例中，参照图2，提出了一种小水电群出力预测装置，所述装置包括：
134.获取模块201，用于获取目标流域类中的各个目标单流域各自对应的目标数据；
135.查找模块202，用于从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
136.第一径流量预测模块203，用于当所述查找结果为成功时，将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
137.第二径流量预测模块204，用于当所述查找结果为失败时，将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
138.出力预测结果模块205，用于根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。
139.本发明中通过对流域进行分类，针对不同的流域建立不同的径流预测模型。当目标单流域存在对应的径流预测模型时，采用与所述目标单流域对应的径流预测模型进行预测，得到单流域径流量预测结果；当目标单流域不存在与之对应的径流预测模型时，将目标单流域对应的目标数据分别输入目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；实现了对每个流域的准确预测。经检验在较长时间范围内将预测准确率保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
140.图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储
介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现小水电群出力预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行年龄识别方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
141.在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
142.获取目标流域类中的各个目标单流域各自对应的目标数据；
143.从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
144.若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
145.若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
146.根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。
147.本发明中通过对流域进行分类，针对不同的流域建立不同的径流预测模型。当目标单流域存在对应的径流预测模型时，采用与所述目标单流域对应的径流预测模型进行预测，得到单流域径流量预测结果；当目标单流域不存在与之对应的径流预测模型时，将目标单流域对应的目标数据分别输入目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；实现了对每个流域的准确预测。经检验在较长时间范围内将预测准确率保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
148.在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
149.获取目标流域类中的各个目标单流域各自对应的目标数据；
150.从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；
151.若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；
152.若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；
153.根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预
测结果。
154.本发明中通过对流域进行分类，针对不同的流域建立不同的径流预测模型。当目标单流域存在对应的径流预测模型时，采用与所述目标单流域对应的径流预测模型进行预测，得到单流域径流量预测结果；当目标单流域不存在与之对应的径流预测模型时，将目标单流域对应的目标数据分别输入目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；实现了对每个流域的准确预测。经检验在较长时间范围内将预测准确率保持在优秀以上的水准，满足了实际需要，通过纳什效率系数的检验也能够发现本方法极大的提高了预测的可靠性，在多步长预测中表现优异。
155.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
156.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
157.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
技术特征：1.一种小水电群出力预测方法，其特征在于，包括：获取目标流域类中的各个目标单流域各自对应的目标数据；从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；若所述查找结果为成功，则将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；若所述查找结果为失败，则将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。2.根据权利要求1所述的小水电群出力预测方法，其特征在于，所述获取目标流域类中的各个目标单流域各自对应的目标数据的步骤之前，包括：获取原始静态流域特征数据集，并对所述原始静态流域特征数据集进行预处理，得到目标流域特征数据集；对所述目标流域特征数据集按照预设类别数量进行聚类分析，得到各个聚类集合；将每个所述聚类集合对应的类别分别作为一个流域类；将任一个所述流域类作为所述目标流域类，并将所述目标流域类中的每个流域作为所述目标单流域。3.根据权利要求2所述的小水电群出力预测方法，其特征在于，所述获取原始静态流域特征数据集，并对所述原始静态流域特征数据集进行预处理，得到目标流域特征数据集的步骤，具体包括：对所述原始静态流域特征数据集进行归一化处理，得到第一流域特征数据集；采用预设的非线性降维算法，对所述第一流域特征数据集进行降维，得到所述目标流域特征数据集。4.根据权利要求1所述的小水电群出力预测方法，其特征在于，所述从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果的步骤之前，还包括：将所述目标流域类中的任一所述目标单流域作为待训练流域；获取所述待训练流域对应的训练样本集；采用所述训练样本集，对预设的初始模型进行径流量的预测训练，将训练完成的所述初始模型作为所述目标单流域对应的所述径流预测模型；其中，所述初始模型是基于时序融合变压器得到的模型；重复所述将所述目标流域类中的任一所述目标单流域作为待训练流域的步骤，直至完成对所述目标流域类中的每个所述目标单流域的获取；将所述目标流域类中的各个所述目标单流域对应的各个所述径流预测模型作为所述目标径流预测模型集。5.根据权利要求4所述的小水电群出力预测方法，其特征在于，所述将所述目标流域类
中的任一所述目标单流域作为待训练流域的步骤，包括：将所述目标流域类中的任一所述目标单流域作为待分析流域；判断所述待分析流域的数据样本是否充分；若是，则将所述待分析流域作为所述待训练流域。6.根据权利要求1所述的小水电群出力预测方法，其特征在于，所述将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果的步骤之前，还包括：采用预设的提升算法，将所述目标径流预测模型集中的各个所述径流预测模型输出的结果进行组合叠加，形成复合模型，将所述复合模型作为所述径流量拟合模型。7.根据权利要求1所述的小水电群出力预测方法，其特征在于，所述根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果的步骤，包括：根据所述单流域径流量预测结果和与所述单流域径流量预测结果对应的各个发电机水流流量阈值范围，确定各个发电机水流流量工作区间；根据所述发电机水流流量工作区间及其对应的各个发电机数量，计算得到单范围出力结果预测区间；根据各个所述目标单流域对应的所述单范围出力结果预测区间，确定所述小水电群出力预测结果。8.一种小水电群出力预测装置，其特征在于，所述装置包括：获取模块，用于获取目标流域类中的各个目标单流域各自对应的目标数据；查找模块，用于从与所述目标流域类对应的目标径流预测模型集中查找与所述目标单流域对应的径流预测模型，得到查找结果；第一径流量预测模块，用于当所述查找结果为成功时，将所述目标单流域对应的所述目标数据输入与所述查找结果对应的所述径流预测模型进行预测，得到单流域径流量预测结果；第二径流量预测模块，用于当所述查找结果为失败时，将所述目标单流域对应的所述目标数据分别输入所述目标径流预测模型集中的各个所述径流预测模型，得到待分析径流量集合，将所述待分析径流量集合输入与所述目标单流域对应的径流量拟合模型进行拟合，得到所述单流域径流量预测结果；出力预测结果模块，用于根据各个所述单流域径流量预测结果进行小水电出力转换，得到小水电群出力预测结果。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
技术总结本发明实施例公开了一种小水电群出力预测方法、装置、计算机设备及存储介质，其中方法包括：从与目标流域类对应的目标径流预测模型集中查找与目标单流域对应的径流预测模型得到查找结果；若查找结果为成功则将目标单流域对应的目标数据输入与查找结果对应的径流预测模型得到单流域径流量预测结果；若查找结果为失败，则将目标单流域对应的目标数据分别输入目标径流预测模型集中的各个径流预测模型得到待分析径流量集合，将待分析径流量集合输入与目标单流域对应的径流量拟合模型进行拟合，得到单流域径流量预测结果；根据各个单流域径流量预测结果得到小水电群出力预测结果；从而得到了预测性能优异，准确率满足使用要求的预测结果。的预测结果。的预测结果。
技术研发人员：陈碧云 龙宇家 李滨 白晓清 祝云 李佩杰 张弛 阳育德 韦化
受保护的技术使用者：广西大学
技术研发日：2022.06.13
技术公布日：2022/11/1
