降低径流式(Run-of-River)水电站市场风险：改进日前(Run-of-River)发电量预测的经济价值

《Renewable Energy》：Reducing market risk in run-of-river hydropower: The economic value of improving predictions of day-ahead production

　　

准确的径流(Streamflow)预报对于优化水电生产和降低市场不平衡成本至关重要，特别是对于调节库容有限的的小型水电厂(Small-scale Hydropower Plant)。本研究评估了长短期记忆(Long Short-Term Memory, LSTM)神经网络在仅有有限历史观测数据的运行监测径流式(Run-of-River, RoR)水电系统中进行小时级径流预测的应用潜力，并评估其在水电生产背景下的经济价值。研究人员考察了两个因素对预测精度的影响：(i) 训练时纳入来自110座径流式(Run-of-River)水电站的反算(Back-calculated)径流数据，及(ii) 实施以反算径流为输入的数据同化(Data Assimilation, DA)方法。模型性能在完美天气预报(Perfect Weather Forecast)背景下使用区域再分析(Reanalysis)数据评估，并与持续性模型(Persistence Model)及北欧最大小型水电运营商Sm?kraft AS当前使用的运行模型(Operational Model)对比。结果表明，在训练中纳入水电站数据可为模型提供有价值信息，而数据同化(Data Assimilation, DA)带来的性能提升最大。所提模型相比现用模型可使Sm?kraft AS年度不平衡费用(Imbalance Fee)降低23.6%（14.3万欧元），并通过降低CVaR75（条件风险价值Conditional Value at Risk, 75%分位数）16%（38万欧元）减少了对平衡市场(mFRR Market)极端价格的敞口。研究证明，增强的水文预报可减少不平衡成本和市场风险，同时支持更稳定的电网运行。

《Reducing market risk in run-of-river hydropower: The economic value of improving predictions of day-ahead production》论文解读

一、研究背景与意义

欧洲电力系统正向高比例可变可再生能源（主要是风光）转型，导致系统平衡难度加大及"同类相食效应(Cannibalization Effect)"。挪威通过跨国互联接入欧洲市场，使得小型水电运营商面临日前(Day-ahead)市场申报偏差引发的平衡市场(mFRR, manual Frequency Restoration Reserve)不平衡费用(Imbalance Fee)及价格波动风险。径流式(Run-of-River, RoR)水电站库容极小或无库容，发电完全依赖天然径流，难以像蓄水式电站那样调节，其日前(Day-ahead)发电量预测误差直接导致较大不平衡成本。挪威小型水电（装机容量<10 MW）占全国电量9%，且多为径流式(RoR)，运营者Sm?kraft AS拥有250余座电站。新建电站历史径流观测短或缺失（无资料流域Ungauged Catchments问题），传统概念性/物理水文模型率定困难。虽有研究表明区域性LSTM可跨流域推广并优于局部校准模型，但针对北欧径流式(RoR)电站小时级径流及发电量预报并结合电力市场量化经济效益的研究尚少。该研究旨在探明在训练中加入水电站反算径流数据及采用数据同化(Data Assimilation, DA)对预报精度的改善，并量化降低预测误差对减少不平衡费用及市场尾部风险（CVaR, Conditional Value at Risk）的经济价值，成果发表于《Renewable Energy》。

二、主要技术方法概述

研究人员采用多频率长短时记忆(Multi-Frequency LSTM, MF-LSTM, 基于NeuralHydrology/Hy2DL库)构建小时级径流(Streamflow, 单位标准化为mm/h)预报模型。所用径流数据含两组：仅挪威水资源能源局(NVE)国家测站径流（NVE数据集，215个站点，均长27年），及NVE加Sm?kraft 110座RoR电站反算入流(Back-calculated Inflow = Q_overflow+ Q_turbine+ Q_eco，部分时段辅以水位—流量关系)构成NVE+SK数据集。气象强迫(Forcing)采用3 km分辨率挪威再分析(NORA3)变量（气温、降水、辐射等流域平均），静态属性(Static Attributes)取自NEVINA（流域面积、高程、土地利用等）并增设SK标志位。设计四组配置：NVE no-DA、NVE+SK no-DA、NVE DA、NVE+SK DA（DA指预热期Warm-up输入含观测径流Observed Streamflow）。日前(Day-ahead)预报模拟10:00 CET初始化、超前第14–38小时出力。参照基准为38小时滞后持续性模型(Persistence)及Sm?kraft现用运行模型(SK-OP)。径流精度用Kling-Gupta效率(KGE)及其分量（相关系数r、变率比α、偏差比β）评价；发电量精度用相对绝对误差(AE% = Σ|E_obs?E_sim| / ΣE_obs)评价。经济价值方面，基于测试期误差池与2025年日前/mFRR价差池做100万次蒙特卡洛(Monte Carlo)模拟，计算单位电量不平衡费用及VaR₇₅、CVaR₇₅，并折算Sm?kraft 2 TWh RoR典型机组组合年费。

三、研究结果

4.1. Predictions of streamflow（径流预测）

四组MF-LSTM及持续性模型在30个测试流域(2022–2025)的KGE显示：持续性模型中位KGE=0.645但相关性(r)仅0.646且波动大；NVE no-DA中位KGE=0.577（r改善但α、β略偏高）；加入SK训练数据的NVE+SK no-DA中位KGE升至0.648（各流域r更一致）；引入数据同化(Data Assimilation, DA)后NVE DA中位KGE=0.777，NVE+SK DA达0.804，且r、α、β均接近理想值。春汛(Spring)因融雪过程无DA配置易低估持续融雪而偏差较大，此时持续性因继承观测量级表现相对较好，但DA配置凭借近期观测径流更新状态可追踪整个融雪过程。NSE、RMSE验证结论一致。

4.2. Predictions of hydropower production（水电发电量预测）

相对绝对误差(AE%)箱线图表明：持续性模型中位AE%=45.3%；无DA配置NVE no-DA与NVE+SK no-DA分别为36.7%、36.5%（不及现用SK-OP模型的29.8%）；带DA的NVE DA降至24.6%，NVE+SK DA最优为23.6%——较SK-OP改进21%，较持续性改进48%。分季节看各模型冬春季误差较小（受温控稳定），夏秋季偏大（受降雨驱动多变），NVE+SK DA在所有季节均优于SK-OP，春季改进幅度最大(37%)。实例显示NVE+SK DA能较SK-OP更早捕捉融雪启动发电时刻，较无DA配置能修正降水事件后的系统偏低偏差。

4.3. Economic value（经济价值）

按Sm?kraft径流式(RoR)机组年发电量2.0 TWh计，NVE+SK DA相较现用SK-OP模型减少年不平衡费用约14.3万欧元（降幅23.6%）。蒙特卡洛模拟mFRR市场结果分布显示NVE+SK DA尾部更薄，CVaR₇₅较SK-OP降低0.19 EUR/MWh（折合组合约38万欧元，降幅16%），VaR₇₅也有改善。虽正收益尾亦变薄（风险—收益权衡），但更准确申报助系统频率稳定。

四、讨论与结论总结

讨论指出：(1)持续性模型在径流平稳期（冬季基流、稳定融雪）具参考价值，凸显复杂模型边际效益取决于水文动态性；(2)加入SK反算径流训练提升有限可能源于NVE数据量占优及反算入流含传感器噪声与运行干预；(3)数据同化(DA)显著修正初始水文状态（雪、土壤水、地下水存储），是性能跃升主因；(4)经济模拟假设误差与价格独立抽取，实际可能存在空间—时间相关使极端风险被低估/高估，但相对模型间差异仍有指示性；(5)本研究基于完美气象再分析属理论上界，运行部署需接入数值天气预报(NWP)并做偏差校正与微调，留一法(Leave-One-Out, LOO)交叉验证未因地理邻近致明显过乐观。模型亦可推广至蓄水式电站入库预报辅助调度优化及洪水预警。

原文结论翻译：综上，MF-LSTM模型可对历史观测有限站点提供准确小时级径流及径流式(Run-of-River)水电发电量预报。训练中加入水电站数据可提供有益信息但需进一步挖掘潜力；数据同化(Data Assimilation, DA)通过更好表征当前水文状态大幅提升性能。经济评估表明改进发电量预报可降低不平衡费用(Imbalance Fee)并减少对平衡市场极端价格敞口（降低CVaR₇₅）。未来工作应聚焦集成运行天气预报、通过改善数据集平衡与超参调优进一步优化模型，并可拓展训练数据及针对洪水预报或水库优化调度做适配。