一种可解释的深度学习方法在水电产量预测中的应用：来自中国116座水电站的证据

《Energy》：An Explainable Deep Learning Approach for Hydropower Production Forecasting: Evidence from 116 Plants in China

　　彭伟杜|薄明|菲亚兹·侯赛因|魏芳|严子辉|杨旭辉|黄强|刘潘
中国西安理工大学干旱地区水工程生态与环境国家重点实验室，西安710048

摘要
准确的水电产量预测有助于提高水资源利用效率和电力系统的灵活性。然而，在数据稀缺的河流流域，传统的两阶段方法（先预测水库入库流量，再安排发电计划）表现不佳，因为它无法在缺乏大量数据的情况下捕捉复杂的降雨-入库流量-电力之间的关系。此外，纯数据驱动的模型往往缺乏普适性和可解释性，限制了它们在大型系统中的应用。为此，我们提出了一个混合框架Bi-LSTM-MHSA-EKFC，结合了双向长短期记忆网络（Bi-LSTM）、多头自注意力机制（MHSA）和改进的卡尔曼滤波器校正，用于月度水电产量预测。通过基于SHAP的可解释性分析，我们确定了影响水电产量预测的关键因素。最后，我们从统计上检验了预测准确性与其装机容量和调节能力之间的关系。本研究以中国116座水电站为案例进行了分析。结果表明：（1）所提出的框架在各个地区的预测准确性都很高，特别是在中国西南地区（中位数NSE = 0.83）；（2）水电发电对前1-2个月的电力输出和入库流量最为敏感，同时对未来3-6个月的气温和降水量也很敏感；（3）大型水电站（>300兆瓦），主要为发电设计或配备较大调节能力的水库，其预测能力通常优于小型或径流式水电站。因此，该框架为水电发电计划提供了有价值的工具。

引言
由于持续的碳排放，全球气候变化的加速对能源安全和可持续性提出了前所未有的挑战[1]。实现碳中和需要从根本上重构电力系统，使其转向以可再生能源为主、低碳配置，这是正在进行中的能源转型的核心目标[2]。在这一转型过程中，水电作为一种关键且高度灵活的资源，有助于电网稳定、短期平衡以及可变可再生能源的大规模集成[3]。随着间歇性可再生能源份额的不断增加，水电系统的运行复杂性和平衡负担也在加剧，因此需要更准确的生产动态预测[4]。这项任务仍然具有挑战性，因为传统方法高度依赖数据，在数据稀缺的河流流域表现不佳，而更先进的人工智能模型则存在普遍适用性和运行可解释性方面的局限性[5][6]。在这种情况下，开发既准确又可解释的预测框架至关重要——不仅对于优化水电运行和水资源分配有帮助，也对电网调度、可再生能源接纳以及增强低碳电力系统的整体灵活性具有重要意义。

传统上，水电被视为可调度电力来源[7]。现有的中长期水电产量预测主要依赖于水电站运行模型，这些模型基于对水库入库流量的预测[8][9]。这些方法主要包括降水与蒸发的气象预报[10]、降水径流的水文模拟[11]以及水电站的运行计划[12][13]。这一过程通常遵循“两阶段”模型框架，首先预测入库流量，然后根据预测的入库流量安排水电站的发电计划。

水库入库流量预测是水电站运行的关键输入，也是制定发电计划的前提条件。为此，已经开发了各种先进模型，包括基于物理的模型、数据驱动的模型和混合模型。基于物理的模型主要分为集总式和水分布式水文模型，这两种模型都使用可以从流域特性中预先估算的物理意义明确的参数[14][15]。对于数据驱动的模型，它们严重依赖数据的质量和数量来发现输入输出关系，但往往缺乏物理可解释性[16][17]。混合模型则结合了两者的优势，利用数据驱动技术来校正或改进基于过程的模拟[18][19]。此外，为了克服传统方法“一旦模型校准后就固定运行”的局限性，越来越多地采用了数据同化和滤波技术，如卡尔曼滤波器方法，以动态纠正模型误差并实时更新状态变量[20]。然而，尽管有这些进步，一个根本性问题依然存在：提供入库流量预测的水文模型虽然旨在表示复杂的物理过程，但仍受到数据异质性、不确定性和结构误差的挑战。当这些不确定性作为独立输入用于调度模型时，会直接引入决策过程。

优化发电计划有助于提高水电产量。特别是随机优化方法已成为研究热点，尤其是在可再生能源占比高的系统中，水电的灵活性至关重要。水电运行的方法可以大致分为隐式随机优化（ISO）、参数化-模拟-优化（PSO）[21][22]和显式随机优化（ESO）[23]。ISO通过让水库在多个等概率的入库流量情景下运行，将随机优化问题转换为确定性问题。然后利用得到的最优运行决策集来制定通用运行规则[24][25]。相比之下，PSO首先根据一组参数预定义运行规则的结构形式[26][27]，然后使用启发式搜索策略来确定在各种可能入库流量情景下产生最佳水库运行性能的参数组合。另一方面，ESO则将不同概率的入库流量不确定性直接纳入优化模型本身，从而在求解框架中明确考虑了水文变异性[28]。尽管在提高水文预测和发电计划优化方面取得了显著进展，但传统的“两阶段”方法——将入库流量预测与水库调度分开——本质上割裂了综合管理系统。这种结构上的分离使得预测不确定性沿决策链传播，从而放大错误并阻碍了最优实时运行的实现。因此，此类框架难以满足快速、准确和自适应水电决策的需求。

随着人工智能技术的快速发展，时间序列预测技术，特别是深度学习和集成学习，在识别数据的时空特征和捕捉复杂非线性关系方面展现了强大能力[29][30][31]。鉴于这些优势，构建一个将水文和气象数据直接关联到水电产量的集成预测模型是可行且富有前景的[32]。这种方法简化了建模过程，避免了水到能量转换中的中间误差，并提高了适应性[33][34]。它逐渐成为水电产量预测领域的一个热门研究方向，目前主要通过三种范式进行研究：传统统计模型、灰色系统理论和人工智能方法。常用的统计模型是ARIMA模型。Polprasert等人[35]应用ARIMA方法对越南Son La水电站进行了长期水电产量预测。Jamil[36]利用ARIMA模型预测了巴基斯坦直到2030年的水电消费量，显示出每年1.65%的增长，并评估了其与人口/GDP增长的关系，以用于国家规划。尽管传统统计模型以其简单性和可解释性而著称，但在处理非线性问题时能力较弱。在灰色系统理论中，Chen等人[37]将平滑算子集成到离散灰色预测模型中，使用分数阶累积算子并通过遗传算法优化模型参数。此外，Li等人[38]提出了一个粒子群优化算法来优化灰色多变量模型。Ren等人[39]引入了一个季节性优化的多变量灰色模型及优化算法来捕捉潜在的发电驱动因素。这些灰色系统理论方法所需的数据较少，但缺乏跨区域的通用性。相比之下，人工智能方法提供了更多灵活性。Barzola-Monteses等人[40]设计了基于多层感知器（MLP）、长短期记忆（LSTM）和序列到序列（seq2seq）LSTM的16种人工神经网络架构，并将这些架构应用于厄瓜多尔的短期和中期水电产量预测。Safaraliev等人[41]使用包括LR、KNN、MLP和树集成在内的方法，在孤立系统中构建了一个多任务预测模型。Condemi等人[42]应用ML回归和ANNs以及SVM，并结合PCA和特征分组来模拟气象-水电关系。Peng等人[43]引入了DAC-Bi-GRU模型进行短期水电预测，通过纳入关键水文气象变量降低了预测误差。Peteleaza等人[44]将时间序列密集编码器与遗传算法结合，创建了一个自主工作流程，大大减少了调整时间，并提供了对超参数重要性的见解，在多个实际案例中优于其他方法。总体而言，这些研究表明，集成深度学习框架可以绕过“两阶段”建模，直接从水文气象数据输出水电产量预测，显著减少了误差传播，并为水电运行提供了更准确的决策支持。

在深度学习技术中，循环神经网络（RNN）及其衍生技术，如LSTM、GRU和双向LSTM（Bi-LSTM），在能源和水文预测方面表现出色[45]。Bi-LSTM能够双向处理时间序列，比单向模型更有效地捕捉复杂依赖关系，尤其是在较长的预测范围内。另外，注意力机制，特别是多头自注意力（MHSA），在时间序列预测中的特征选择和依赖关系建模方面被证明有效[46][47]。通过动态加权时间步骤，注意力机制可以提高可解释性和预测能力。然而，深度学习模型往往对水文时间序列中的噪声和异常值敏感。因此，集成卡尔曼滤波器等过滤机制可以有效纠正序列偏差并提高预测准确性。

尽管在水电预测方面取得了上述进展，现有方法主要集中在单组件模型或它们的简单组合上，缺乏双向时间建模、自适应特征权重和动态误差校正的系统性集成。具体来说，之前使用Bi-LSTM的水电预测研究尚未充分利用MHSA进行全局特征加权，而基于注意力的模型很少结合卡尔曼滤波进行噪声抑制。此外，大多数现有研究关注小数据集或短期预测范围，限制了模型的泛化能力，且很少系统地研究影响预测性能的水电站特性（如装机容量和调节类型）。关键的是，可解释性仍然是阻碍实际应用的关键限制，因为现有的混合模型在预测因子贡献方面的透明度有限。为填补这些空白，我们提出了一个名为Bi-LSTM-MHSA-EKFC的混合深度学习框架，该框架结合了Bi-LSTM、MHSA和改进的卡尔曼滤波器校正，用于月度水电产量预测。利用中国六个地区116座水电站的运行和气象数据，对该模型进行了验证和应用，分析了预测因子的贡献、地区差异以及电站属性对发电性能的影响。通过结合Shapley加性解释（SHAP）的可解释性，该框架还通过量化入库流量、气温、降水量和水电输出等预测因子的相对重要性提高了透明度。

本研究在三个方面为文献做出了贡献：（1）它引入了结合MHSA和卡尔曼滤波器校正的Bi-LSTM，展示了其在建模非线性水电运行方面的优势；（2）它系统地将预测准确性与电站特性联系起来，为运营者提供了实际见解；（3）它是迄今为止规模最大的深度学习在水电预测中的应用之一，覆盖了全国超过116座水电站。这些发现不仅提供了方法创新，还为低碳能源转型时代的水电调度和可再生能源集成提供了实用指导。

方法论
如图1所示，研究方法包括四个核心组成部分：（1）筛选水文气象和运行预测因子（第2.1节）；（2）开发一个结合Bi-LSTM、多头自注意力（MHSA）和改进的卡尔曼滤波器校正（EKFC）的混合框架，用于月度水电产量预测（第2.2节）；（3）使用RMSE、MAPE、NSE和KGE评估预测准确性（第2.3节）；（4）模型分析（第2.4节）。

研究区域
本研究聚焦于由中国能源集团管理的116座水电站，分布在中国的六个主要区域：西北、西南、南方、中部、东部和东北，如图2所示。区域划分主要基于水文气象条件的差异、水电站的特性以及不同区域的组织管理方式。西南地区在装机容量方面占主导地位，占总装机容量的大约...

结果与讨论
在本文中，数据集被划分为训练集（80%）和验证集（20%），以评估模型捕捉水电产量的效率。从每个地区选取了具有代表性水电站作为样本，考虑了它们的装机容量、调节能力和各自的具体任务，包括西南地区的DGS、西北地区的JLT、南方地区的DYJ、中部地区的EP、东部地区的JZK以及东北地区的TPS。**基本结论与未来工作**
在本研究中，我们开发并验证了一个可解释的Bi-LSTM-MHSA-EKFC框架，用于预测每月的水电产量。该框架利用了一个涵盖中国六大地区116个水电站的综合性数据集。通过基于SHAP的可解释性分析方法，识别了影响水电产量预测的关键因素，并系统评估了在不同装机容量和调节能力下的预测精度，以发现潜在的改进点。

**作者贡献声明**
黄强：监督
刘鹏：监督
方伟：数据可视化与梳理
闫子辉：数据可视化与梳理
杨旭辉：数据可视化与梳理
杜鹏伟：撰写—审稿与编辑、撰写—初稿、方法论设计、数据梳理、概念构思
明波：撰写—审稿与编辑、撰写—初稿、资金获取、概念构思
Fiaz Hussain：撰写—审稿与编辑、数据可视化

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

**数据可用性**
数据可应要求提供。

**致谢**
本研究得到了以下项目的资助：国家自然科学基金（项目编号52379023）和陕西省重点研发计划（项目编号2024SF-ZDCYL-05-10）。