梯级水电数据集这类东西刚接触的人往往会低估它的复杂度——以为就是把一堆水电站的装机、库容、发电量拉个表。真动手做过一轮就知道单站参数好找难的是把站连成链上下游关系、区间入流、水流传播时滞、调节性能的级联影响这些东西一旦缺失数据集就只是个通讯录做不了任何调度层面的计算。我前后整理过几版流域级的梯级水电数据集从最初只有装机容量和年发电量的花名册到后来能支撑短期调度模拟和风光水互补粗筛的结构化库中间返工了不知道多少次。这篇就把这套东西拆开讲一份梯级水电数据集该装什么、数据从哪儿抠、表怎么设计、拓扑怎么落、以及在清洗和使用环节最容易翻车的地方。适合做能源数据分析、水文调度建模、区域电力平衡测算的朋友参考也适合刚入门、正准备从公开资料里搭一套基础库的人照着抄作业。1. 梯级水电数据集到底装了什么从一座坝到一条链很多人第一次做水电数据整理思路是一个电站一行记录字段填满就算完事。这个思路在单站评估里够用但在梯级场景下会立刻卡住。原因很朴素梯级水电的本质不是一个一个孤立的电站而是一条被逐级截断的河流。上游放多少水决定了下游能发多少电上游什么时候放决定了下游什么时候能发。这个量和时的耦合关系才是梯级数据集区别于普通电站名录的核心。1.1 梯级开发的物理本质与数据映射河流从源头到河口天然落差是连续分布的。梯级开发做的事情就是用一串大坝把这个连续落差切成若干段每一段对应一个水头每一级电站就是把这段水头的势能换成电能。上一级电站发电后的尾水直接进入下一级电站的回水段或者河道成为下一级的入库来水。所以整条干流在物理上是一条串联的水力链路每一级都是一个来水—蓄水—发电—泄流的转换器。这个物理图像直接决定了数据字段的映射关系。来水对应入库流量和区间入流蓄水对应库容、水位、调节性能发电对应装机、水头、出力、发电量泄流对应下泄流量和传播时间。四个环节里只有发电这一环是单站自己能闭环的其余三环全部依赖上下游邻居。这就是为什么一份只能算单站发电量的数据集一旦拿去做流域级优化误差会迅速累积——你算准了每一级的效率却没算准每一级的来水时刻。我在第一版数据集里就吃过这个亏。当时把所有电站按装机容量排了序用多年平均流量乘水头估了一遍出力结果整条链的总发电量比公开统计值高出近两成。排查下来不是公式错了是重复计算了水量上游发电用的水下游又用了一次而我给每一级都配了完整的河道径流量。梯级发电量的正确算法是按区间入流分配而不是每级都给全口径流量。1.2 一份可用的梯级数据集的最小字段集经过几轮增补我把字段收敛成下面这几组。这个集合不是最全的但覆盖了从静态描述到动态计算的全部必要项缺任何一组都会限制后续用途。字段组关键字段缺了会怎样身份标识电站编码、名称、所在河流、梯级序位无法建立唯一主键同名站会合并错拓扑关系上游电站编码、河段长度、传播时滞无法做梯级补偿和洪水演进水文参数控制流域面积、多年平均流量、区间入流无法校核水量平衡水库特征正常蓄水位、死水位、总库容、调节库容、调节性能无法判断调节能力和蓄放水边界发电特征装机容量、额定水头、最大/最小水头、保证出力、多年平均发电量无法估算出力曲线开发形式坝式/引水式/混合式、是否龙头水库无法解释水头损失和调节行为时序数据月/旬入库流量、出力、水位、发电量无法做时序模拟和验证这里面最容易被忽略的是调节性能和是否龙头水库这两个看起来像描述性文字的字段。实际上它们是整条链的关键。一个多年调节的龙头水库可以在丰水期蓄、枯水期放把整条梯级的出力曲线拉平而一串日调节甚至径流式的电站基本只能跟着天然来水走出力波动极大。做水风光互补测算时这两类梯级的可用调节容量能差出一个数量级。另外提醒一句梯级序位一定要自己重新编不要依赖名称排序或者拼音排序。有些河流的电站命名和实际上下游顺序完全对不上按名字排出来的梯级是假的。我后来的做法是先用公开的地理高程数据把各电站坝址位置定下来按沿河里程重新排一遍再和资料里的梯级序号交叉验证两次对不上就以地理顺序为准。2. 数据从哪来公开来源、字段缺口与拼图式补全梯级水电数据的一个现实困境是没有任何一个公开来源能一次性给全所有字段。行业统计类资料给你装机、发电量、坝高颗粒度到年权威但很粗工程技术类公开文献给你水位、库容、调节性能但只覆盖部分典型工程地理遥感类产品给你位置、流域范围、水面面积精度不错但和水文参数对不上。所以建库的过程本质上是拼图不是下载。2.1 三类来源的分工与可信度分级我一般把来源分成三层每一层负责不同的字段并且给每条记录打上来源标记和置信度。这个习惯是从一次数据打架的教训里养成的同一座电站在两份资料里的正常蓄水位差了六米没有来源标记的话根本没法判断该信谁。来源类型擅长字段典型精度处理方式行业统计汇编装机容量、年发电量、坝高、投产年份年度、准确度高直接采用作为基准工程技术公开资料正常蓄水位、死水位、库容、调节性能、开发形式单站级、准确度高单站覆盖需逐站核对地理与遥感产品坝址坐标、控制流域面积、水面面积、河道长度空间精度高用于拓扑重建和面积校核模型反推水位—库容曲线、区间入流、传播时滞估算级标注为推算值置信度我分三级A级是原始资料直接给出的数值可以直接引用B级是由两个以上独立来源交叉验证一致的推算值C级是只有单一来源或者纯经验估算的值。在后续建模时A级字段直接进模型B级字段进模型但要做敏感性分析C级字段只用于定性判断不参与定量计算。这套分级看着麻烦但真到了模型结果对不上的时候能省掉大量排查时间。2.2 字段缺失时的补全逻辑与估算方法缺得最狠的通常是三类水位—库容曲线、控制流域面积、区间入流。这三样恰好都是建模必需的只能靠估算补。水位—库容曲线可以用水面面积—高程关系积分得到。基本原理是水库蓄水体积等于各高程层的水面面积沿高程的积分。如果有多个高程对应的水面面积直接用梯形法累加即可# 用离散的水面面积-高程点估算水位库容曲线 def build_stage_volume(points): points: [(高程 m, 水面面积 km2), ...] 按高程升序 返回: [(高程 m, 累计库容 亿m3), ...] points sorted(points, keylambda x: x[0]) result [(points[0][0], 0.0)] acc 0.0 # 单位: km2 * m 1e6 m3 0.0001 亿m3 for i in range(1, len(points)): z0, a0 points[i - 1] z1, a1 points[i] acc (a0 a1) / 2.0 * (z1 - z0) * 0.0001 result.append((z1, acc)) return result # 反查某水位对应库容分段线性插值 def volume_at_stage(curve, z): if z curve[0][0]: return curve[0][1] if z curve[-1][0]: return curve[-1][1] for i in range(1, len(curve)): z0, v0 curve[i - 1] z1, v1 curve[i] if z0 z z1: return v0 (v1 - v0) * (z - z0) / (z1 - z0)提示分段线性插值在曲线两端外推时风险很大。死水位以下和正常蓄水位以上的部分实际地形通常急剧收窄或展宽线性外推会严重失真宁可截断也不要外推。控制流域面积可以用公开的数字高程产品做流向累积来算思路是从坝址向上游做汇水追踪把所有能汇流到该点的栅格面积加起来。这个方法算出来的值和资料值通常差在5%以内够用。如果连高程产品都懒得处理还有一个粗办法用多年平均流量反推即面积约等于年径流量除以年径流深年径流深按所在气候区取经验值。这个办法误差能到20%以上只能作为最后的兜底。区间入流是梯级数据集里最特殊的一个量它等于下一级入库流量减去上一级下泄流量。做时序模拟时区间入流必须单独列出来不能混在总入库里。原因还是那个老问题如果每一级都用全口径入库流量整条链的水量会被重复计算好几遍发电量直接虚高。3. 建库实操表结构设计与梯级拓扑的落地数据凑齐之后接下来是结构问题。我见过不少人是把梯级数据存成一张大宽表一行一个电站横向几十个字段。这种结构在数据量小的时候能跑一旦要接时序数据或者要处理分期扩建同一座电站在不同年份装机不同马上就会崩。合理的做法是拆表。3.1 主表、参数表、时序表的三层拆分我的做法是拆成三层第一层是电站主表一行一个电站存不随时间变化或者变化极慢的字段编码、名称、所在河流、地理坐标、开发形式、梯级序位、是否龙头。主键用自己编的电站编码不要用名称。第二层是参数表采用电站编码 生效年份 字段名 值 来源 置信度的长表结构。这样做的最大好处是可以容纳分期扩建某电站2010年装机是1200MW2018年扩机到1800MW就存两条记录按年份取用即可。宽表结构做不到这一点只能存最新值做历史年份的测算就会失真。第三层是时序表字段是电站编码、时间戳、时间粒度、入库流量、出库流量、水位、出力、发电量。时间粒度必须显式标注因为梯级数据里日、旬、月、年四种粒度经常混着出现没有粒度标记的话聚合时会出错。这三层之间用电站编码关联编码规则建议直接编进语义比如流域码-干流支流码-序位这样一眼就能看出上下游关系排序也不会乱。3.2 用图结构而不是链表表达梯级拓扑很多教程把梯级简化成一条链用 parent_id 指向上游电站就够了。这个简化在单干流上成立在真实流域上不成立支流汇入会导致一个电站有多个上游邻居形成树甚至带环的图。用链表结构存遇到支流汇入就只能丢掉一部分关系。正确的做法是按有向图存。节点是电站边是河段边的属性包括河段长度、平均比降、传播时滞。# 用邻接表表达梯级拓扑支持多上游汇入 tiers { R01-M-01: [], # 龙头水库无上游 R01-M-02: [R01-M-01], R01-T-01: [], # 支流第一级 R01-M-03: [R01-M-02, R01-T-01], # 干流与支流汇合处双上游 } # 拓扑排序保证计算时上游先于下游 def topo_order(graph): indeg {n: 0 for n in graph} for n, ups in graph.items(): for u in ups: indeg[n] 1 queue [n for n, d in indeg.items() if d 0] order [] while queue: n queue.pop(0) order.append(n) for m, ups in graph.items(): if n in ups: indeg[m] - 1 if indeg[m] 0: queue.append(m) return order有了拓扑排序逐级演算就有了确定顺序。这一点在做水量平衡迭代时特别关键顺序错了下游会用到还没更新的上游状态结果就会漂。3.3 传播时滞梯级数据集里最容易糊弄过去的字段传播时滞指的是上游泄流变化传导到下游入库所需要的时间。这个字段在静态数据集里经常被省略或者随便填个6小时。但它是梯级补偿效益计算的核心参数之一龙头水库晚上放水下游电站能不能在第二天早高峰顶上取决于这个时滞。粗算可以用河段长度除以平均流速山区河段流速取1.5~3 m/s平原河段取0.8~1.5 m/s。精细一点可以用马斯京根法的简化形式用河段蓄量系数和流量比重系数来推。我用得最多的还是经验公式加实测校核先用长度/流速给个初值再拿几次上游泄流过程线和下游流量过程线做互相关取互相关系数最大的滞后阶数作为修正值。import numpy as np def estimate_lag(upstream_q, downstream_q, max_lag48): 用互相关估计上游到下游的传播时滞单位时段数 up np.array(upstream_q, dtypefloat) dn np.array(downstream_q, dtypefloat) up (up - up.mean()) / (up.std() 1e-9) dn (dn - dn.mean()) / (dn.std() 1e-9) best_lag, best_corr 0, -2 for lag in range(0, max_lag 1): if lag len(up): break a up[:len(up) - lag] if lag else up b dn[lag:] if lag else dn n min(len(a), len(b)) corr float(np.corrcoef(a[:n], b[:n])[0, 1]) if corr best_corr: best_corr, best_lag corr, lag return best_lag, best_corr注意互相关法要求上下游序列同粒度、同长度、且去除趋势项。日尺度数据做互相关窗口一般不超过48个时段再长就容易把季节性的相关误判成时滞。3.4 数据清洗中最容易翻车的几个字段清洗环节的坑基本都出在单位上。梯级水电数据的单位混乱程度超出想象装机有的用万千瓦有的用MW库容有的用亿立方米有的用万立方米发电量有的用亿千瓦时有的用万千瓦时。差一个量级就是十倍而且在总量层面会被平均掉不仔细看根本发现不了。我的做法是建库时就强制统一装机统一MW库容统一亿立方米流量统一立方米每秒发电量统一亿千瓦时水位统一米且注明高程基准。同时写一套单位校验规则装机容量落在50~20000 MW之外的记录进入人工复核队列库容与装机的比值落在异常区间的记录也要复核。这套规则帮我抓出过好几条把万kW当MW录进去的记录。另一个隐蔽的坑是总库容和调节库容混用。总库容是从死水位到校核洪水位的全部容积调节库容只是死水位到正常蓄水位之间可以动用的部分。两者能差两三倍。用总库容去算蓄放水能力会系统性高估调节能力。4. 从数据到模型梯级水电数据集的三种典型用法数据集建好之后价值体现在能不能撑起计算。我自己用得最多的三个场景是出力估算与校核、梯级间水流演进、以及水风光互补的容量粗筛。这三个场景对数据的要求各不相同也正好能反过来检验数据质量。4.1 出力估算与发电量校核单站出力的基本公式是出力等于效率系数乘以流量乘以净水头。发电工况下综合效率一般在0.82到0.88之间机组状态好取高值老旧机组取低值。净水头是毛水头减去水头损失水头损失通常占毛水头的3%到8%引水式电站的损失比例更高一些。def hydro_power(q, gross_head, eff0.85, loss_ratio0.05): q: 流量 m3/sgross_head: 毛水头 m返回出力 MW net_head gross_head * (1 - loss_ratio) return 9.81 * q * net_head * eff / 1000.0真正有用的不是算出力而是用年发电量反推校核。具体做法是拿数据集里的多年平均发电量除以装机容量得到年利用小时数。这个指标有很强的物理约束调节性能好的大型电站一般在3500到4500小时径流式电站可能只有2500到3500小时极少数特别优质的站点能到5000小时以上。如果算出来超过5500小时或者低于1500小时基本可以判定装机容量或者发电量有一个录错了。这个校核我用过很多次抓出问题的效率很高。有一批记录算出来的利用小时数普遍在7000小时以上最后发现是把年发电量的单位从万kWh当成了亿kWh量级错了四倍。还有一点值得注意出力估算要考虑水头受阻和出力受阻。枯水期水位低毛水头可能低于额定水头同样的流量发不出额定出力汛期为了防洪要压低水位运行也会造成水头损失。静态数据集里这两个因素体现不出来做时序模拟时需要额外用水头受阻系数来修正。4.2 梯级间水流演进与洪水传播第二个用法是算洪水或者泄流过程在梯级间的传播。这个在中长期调度里用的是简化版就是按传播时滞平移在洪水预报里用的是马斯京根法考虑河段蓄量的调蓄作用。马斯京根的基本形式是用上游断面流量和区间入流加权得到下游断面流量两个权重系数由河段传播时间和蓄量系数决定。系数需要率定率定数据就是上下游同步的流量过程。这里就体现出数据集里区间入流字段的价值没有它率定时会把区间来水误算成河段调蓄导致参数偏移。def muskingum(upstream, lateral, k_hours, x0.2, dt1.0): 简化的马斯京根演算dt 与 k_hours 单位一致 c0 (0.5 * dt - x * k_hours) / (0.5 * dt (1 - x) * k_hours) c1 (0.5 * dt x * k_hours) / (0.5 * dt (1 - x) * k_hours) c2 (x * k_hours - 0.5 * dt) / (0.5 * dt (1 - x) * k_hours) out [upstream[0]] for i in range(1, len(upstream)): q c0 * upstream[i] c1 * upstream[i - 1] c2 * out[i - 1] lateral[i] out.append(max(q, 0.0)) return out实操中的体会是马斯京根法的参数x对结果影响很大取值一般在0.1到0.3之间平原河道偏小山区河道偏大。如果率定出来的x落在0到0.5之外不要硬用先回头检查数据是不是时间对齐错了——上下游序列差了几个时段没对齐是率定失败最常见的原因。4.3 水风光互补的容量粗筛第三个用法是当下比较热的方向用梯级水电的调节能力去平抑风电光伏的波动。这里数据集的核心字段是调节库容、调节性能和装机容量。粗筛的逻辑很直接先按调节性能给梯级分级多年调节和年调节的龙头水库是可调节电源日调节及以下的基本只能跟随。然后把风电光伏的出力过程叠加看水电需要提供多少调节容量才能把联合出力拉到平滑。可提供的调节容量上限大致等于调节库容对应的可蓄电量加上机组的旋转备用空间。可蓄电量可以这样估调节库容乘以平均发电水头乘以效率系数再换算成电量。这个量除以装机容量就是龙头水库能连续满发的小时数直接决定了它能顶多久的波动。我做过一次粗略测算一条干流上如果有两座年调节以上的龙头水库整条梯级的联合出力波动率能压到单站独立运行时的三分之一左右如果全是日调节压下来的幅度非常有限风光接入比例稍高就会出现大范围弃电。这个结论对规划阶段判断梯级调节能力够不够用参考价值挺大。提示做互补测算时一定要区分装机容量和可调容量。很多径流式电站装机不小但基本没有调节能力把它们算进可调容量会严重高估系统的灵活性。5. 踩坑记录几个让我返工重做的细节下面这几条都是实际踩过、并且导致过整批数据返工的问题写出来给后来人省点时间。5.1 装机容量与保证出力混为一谈这两个字段名字都带出力或者容量很容易在整理时搞混。装机容量是所有机组额定出力之和是上限保证出力是在设计保证率下能稳定提供的出力通常只有装机的20%到40%。用保证出力当装机去算发电量结果会低得离谱反过来用装机当保证出力去算可靠性会严重高估供电能力。我的处理办法是在字段命名上就做区分绝不使用容量这种含糊词统一写成 installed_capacity_mw 和 firm_capacity_mw并且在数据字典里写清楚定义。命名含糊是万恶之源。5.2 时间尺度不一致造出来的假异常有一批数据月度发电量和日度出力对不上月度发电量折算出来的平均出力比日度出力的均值高出40%。查了很久以为是数据造假最后发现是日度数据只统计了工作日——周末的出力记录漏采了。这类问题不是数据错误是采样口径不一致。从此我定了个规矩任何跨尺度的一致性校验都要先确认两边的统计口径、时间覆盖、缺测处理方式完全一致再谈数值比较。缺测率超过5%的时段直接标记为不可用于校核。5.3 高程基准不统一水位数据整体偏移水位这个字段看着最老实实际上坑最多。不同资料给出的水位可能基于不同的高程基准两套基准之间可能差几米。单看水位数值发现不了问题但一旦拿去算水头、算库容整条链的出力都会系统性偏移。我现在的做法是所有水位字段强制附带高程基准标记没有标记的一律置为未知不参与计算。同时用一条交叉校验规则兜底——用正常蓄水位减去死水位得到的调节水深和用调节库容除以平均水面面积得到的调节水深两者差异超过30%就报警。这条规则抓到过好几次基准混用的问题。还有一个相关的坑是坐标。早期我用不同来源的坐标点去算河段长度结果有的河段算出来比实际短了一半原因是坐标系不统一经纬度直接当平面坐标用了。现在统一先投影到等距坐标系再算距离问题就没了。最后分享一个我自己觉得挺管用的小习惯给数据集配一份数据血缘记录每个关键字段都记上来源、获取时间、处理步骤、置信度。这份记录平时没人看但等半年后回来改模型、发现某个参数不对劲的时候它能让你在十分钟内定位到问题出在哪个环节而不是从头再查一遍。梯级水电数据这种多来源拼出来的东西血缘记录的价值比数据本身还高。
