水电能源由于其清洁无污染的特点,得到了世界各国的优先发展。中国作为世界水电发展的后起之秀,21世纪以来先后投运了三峡、“南水北调”等举世瞩目的超级水利工程。然而随着水电开发的规模化、梯级化趋势,梯级电站发电调度需综合考虑水文气象、用水需求以及电网安全等多方面因素的影响,传统调度方法已难以适应日趋复杂的调度约束和综合目标,亟需寻求交叉领域的理论、模型和技术开展研究。因此本文以清江梯级水电站为研究对象,基于当前人工智能热点技术,将深度学习与梯级水电站发电调度相结合,提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则,建立了基于改进离散差分进化-集成经验模态分解-长短期记忆网络(MDDE-EEMD-LSTM)梯级水电站发电量预测模型,并以此为基础设计研发了分布式异构水资源调度系统。论文主要工作内容和创新性成果如下:(1)根据隐随机调度思想,以逐次优化算法(POA)确定性调度成果为训练集,建立了基于广义回归网络(GRNN)梯级水电站发电调度规则提取模型;同时,针对神经网络超参数优化问题,设计了一种分布式并行的深度学习超参数优化框架,提出了一种基于群落重心的改进粒子群算法,以优化GRNN网络参数。在清江梯级水布垭电站工程实际应用表明,本文所提出的改进PSO算法具有更强的全局寻优能力和收敛速度;提出的超参数并行优化框架,加速了模型的参数优化和训练;建立的基于最优参数的GRNN模型泛化能力强,计算速度快,同时在样本集不足情况下仍可保持较高精度,可为大中型梯级电站发电调度规则提取提供决策支持。(2)针对神经网络法在进行发电量预测时没有记忆功能、无法处理长期依赖的问题,通过特征工程筛选了影响发电量的关键因子,建立了基于长短期记忆神经网络(LSTM)梯级水电站发电量预测模型,同时引入EEMD算法对发电量时间序列进行分解,提出了一种基于超参数优化框架的改进离散差分进化算法对模型进行参数寻优。清江梯级水布垭、隔河岩两级电站仿真模拟结果表明,与多种常规时间序列预测方法相比,本文基于对发电量时间序列的特征分析提出的MDDE-EEMD-LSTM模型稳定性和泛化能力较强。对大中型电站,单站预测较两级电站联合预测模式得出的发电量预测方案更优。(3)围绕国内水利信息化软件开发标准不统一、可扩展性差等不足,本文从宏观上将前后端开发分离并微服务化,实现了敏捷开发与分布式部署;在内部结构中,将深度学习框架、大数据分析工具与业务系统协调的无缝集成,提出了一种“微前端-微后端-分布式异构”水调系统开发模式,为深度学习模型的优化与训练以及海量多源异构数据的在线分析提供支持;与此同时提出了基于OpenMI标准和消息总线的多模型耦合通信机制,贯穿整个系统的业务调度和数据交互,并将ELK日志工具集成到水调系统中。在华中电网跨区调峰决策支持系统软件开发应用表明,本文所提开发模式降低了深度学习框架在水调业务中应用的门槛,增强了系统处理复杂业务的能力,加速了系统开发的并行性,同时增强了系统的可扩展性。