本發(fā)明屬于電力系統(tǒng)水資源調度與智能預測，涉及一種多源數據融合的電站水網用水預測方法、系統(tǒng)及存儲介質。
背景技術：
1、高效率的大型電站水網是電力生產過程中最重要的水資源供應系統(tǒng)，需要保持的運行效率，其用水量情況將直接影響電站的運行成本和發(fā)電效率，同時在生產中也需要對電站水網未來的用水量進行預測和調度，滿足電站的高效排產。
2、水網用水量的傳統(tǒng)預測方法主要是基于水網的歷史數據進行預測和調度，但在實際電力生產過程中，水網用水不僅會受到電站運行負荷和機組運行狀況的影響，還會受到氣候變化和季節(jié)性變化、以及電站附近水庫水位和河流流量等水資源儲備等因素的影?；谒W的歷史數據這一單一數據源的預測方法存在精度不高、響應速度慢等嚴重問題，需要采用一些新的預測方法以高效獲得更加精準的用水預測，提升電站水網用水預測的精度和時效性。
技術實現思路
1、為了解決現有技術中的問題，本發(fā)明的目的在于提供一種多源數據融合的電站水網用水預測方法、系統(tǒng)及存儲介質，能夠提升電站水網用水預測的精度和時效性，進而有效地降低電站的運行成本，并提高電站的發(fā)電效率。
2、為達到上述目的，本發(fā)明采用以下技術方案予以實現：
3、第一方面，本發(fā)明提供一種多源數據融合的電站水網用水預測方法，包括以下步驟：
4、獲取影響電站水網用水的歷史多源數據和歷史用水數據；
5、對歷史多源數據和歷史用水數據進行預處理；
6、基于預處理的數據構建多源數據融合神經網絡基礎模型；
7、基于歷史多源數據和歷史用水數據對多源數據融合神經網絡基礎模型進行訓練和優(yōu)化，得到多源數據融合神經網絡模型；
8、采集影響電站水網用水的實時多源數據，將實時多源數據輸入到多源數據融合神經網絡模型中，獲得預測結果。
9、優(yōu)選的，所述多源數據包括電站負荷及發(fā)電數據、水資源儲備數據和氣候變化數據。
10、優(yōu)選的，所述對歷史多源數據和歷史用水數據進行預處理的具體方法為：分析歷史電站負荷及發(fā)電數據、歷史水資源儲備數據和歷史氣候變化數據對歷史用水數據的敏感性，提取歷史多源數據對歷史用水數據的影響權重參數。
11、優(yōu)選的，所述預處理的數據在構建多源數據融合神經網絡基礎模型前進行標準化處理。
12、優(yōu)選的，所述基于預處理的數據構建多源數據融合神經網絡基礎模型的具體方法為：基于權重參數使用長短期記憶網絡模型描述歷史用水數據與電站水網用水量的長期依賴關系，使用多層感知機融合模型描述電站負荷及發(fā)電數據、水資源儲備數據和氣候變化數據與電站水網用水量的關系；將長短期記憶網絡模型和多層感知機融合模型進行融合，形成多源數據融合神經網絡基礎模型。
13、優(yōu)選的，所述多層感知機融合模型的構建方法為：基于權重參數使用第一多層感知機神經網絡模型描述電站負荷及發(fā)電數據與電站水網用水量的關系，使用第二多層感知機神經網絡模型描述水資源儲備數據與電站水網用水量的關系，使用第三多層感知機神經網絡模型描述氣候變化數據與電站水網用水量的關系；將第一多層感知機神經網絡模型、第二多層感知機神經網絡模型和第三多層感知機神經網絡模型融合形成多層感知機融合模型。
14、優(yōu)選的，所述基于歷史多源數據和歷史用水數據對多源數據融合神經網絡基礎模型進行訓練和優(yōu)化的具體方法為：將歷史多源數據和歷史用水數據輸入多源數據融合神經網絡基礎模型中進行訓練，通過交叉驗證和網格搜索對多源數據融合神經網絡基礎模型進行參數優(yōu)化。
15、優(yōu)選的，所述獲得預測結果后，將預測結果與實際電站水網用水量進行對比，獲得誤差反饋，基于誤差反饋對多源數據融合神經網絡模型進行迭代優(yōu)化。
16、第二方面，本發(fā)明提供一種多源數據融合的電站水網用水預測系統(tǒng)，包括：
17、第一模塊：獲取影響電站水網用水的歷史多源數據和歷史用水數據；
18、第二模塊：對歷史多源數據和歷史用水數據進行預處理；
19、第三模塊：基于預處理的數據構建多源數據融合神經網絡基礎模型；
20、第四模塊：基于歷史多源數據和歷史用水數據對多源數據融合神經網絡基礎模型進行訓練和優(yōu)化，得到多源數據融合神經網絡模型；
21、第五模塊：采集影響電站水網用水的實時多源數據，將實時多源數據輸入到多源數據融合神經網絡模型中，獲得預測結果。
22、第三方面，本發(fā)明提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現多源數據融合的電站水網用水預測方法的步驟。
23、與現有技術相比，本發(fā)明具有以下有益效果：
24、本發(fā)明通過將多源數據和用水數據進行有效融合，能夠提供更加精準的關鍵參數預測，進而針對電站水網未來的用水量進行精準的預測，為電站水資源調度和管理提供科學依據；通過多源數據融合神經網絡模型實現了提供短期和長期的水網用水預測，有助于電站水網系統(tǒng)實現實時調整水資源的調度，有效地避免水資源浪費，降低電站的運行成本，并提升電站的發(fā)電效率。
25、進一步，本發(fā)明通過預測結果和電站的實時調度結果對多源數據融合神經網絡模型進行迭代優(yōu)化，不斷獲得最優(yōu)的發(fā)電負荷和水資源調度；同時減少了人工干預，提高了電站水資源管理的自動化和智能化水平。
1.一種多源數據融合的電站水網用水預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述多源數據包括電站負荷及發(fā)電數據、水資源儲備數據和氣候變化數據。
3.根據權利要求2所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述對歷史多源數據和歷史用水數據進行預處理的具體方法為：分析歷史電站負荷及發(fā)電數據、歷史水資源儲備數據和歷史氣候變化數據對歷史用水數據的敏感性，提取歷史多源數據對歷史用水數據的影響權重參數。
4.根據權利要求1所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述預處理的數據在構建多源數據融合神經網絡基礎模型前進行標準化處理。
5.根據權利要求1所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述基于預處理的數據構建多源數據融合神經網絡基礎模型的具體方法為：基于權重參數使用長短期記憶網絡模型描述歷史用水數據與電站水網用水量的長期依賴關系，使用多層感知機融合模型描述電站負荷及發(fā)電數據、水資源儲備數據和氣候變化數據與電站水網用水量的關系；將長短期記憶網絡模型和多層感知機融合模型進行融合，形成多源數據融合神經網絡基礎模型。
6.根據權利要求1所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述多層感知機融合模型的構建方法為：基于權重參數使用第一多層感知機神經網絡模型描述電站負荷及發(fā)電數據與電站水網用水量的關系，使用第二多層感知機神經網絡模型描述水資源儲備數據與電站水網用水量的關系，使用第三多層感知機神經網絡模型描述氣候變化數據與電站水網用水量的關系；將第一多層感知機神經網絡模型、第二多層感知機神經網絡模型和第三多層感知機神經網絡模型融合形成多層感知機融合模型。
7.根據權利要求1所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述基于歷史多源數據和歷史用水數據對多源數據融合神經網絡基礎模型進行訓練和優(yōu)化的具體方法為：將歷史多源數據和歷史用水數據輸入多源數據融合神經網絡基礎模型中進行訓練，通過交叉驗證和網格搜索對多源數據融合神經網絡基礎模型進行參數優(yōu)化。
8.根據權利要求1所述的一種多源數據融合的電站水網用水預測方法，其特征在于，所述獲得預測結果后，將預測結果與實際電站水網用水量進行對比，獲得誤差反饋，基于誤差反饋對多源數據融合神經網絡模型進行迭代優(yōu)化。
9.一種多源數據融合的電站水網用水預測系統(tǒng)，應用于權利要求1~8任一項所述的方法，其特征在于，包括：
10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現如權利要求1-8任一項所述方法的步驟。