在气候变化和人类活动的影响下，随着“双碳”战略目标的深入推进，风能和光伏能作为代表性的新能源的大规模电网整合对电力系统的安全稳定运行提出了重大挑战，因为这些能源具有间歇性和随机性[1]、[2]。在这种情况下，水电作为一种技术最成熟且高度灵活的清洁能源，成为实现水-风-太阳能集成系统互补协调运行和构建新型电力系统的关键基础[3]、[4]。因此，准确预测串联水库的日发电量对于制定日前运行计划、优化水电资源分配以及提高流域水资源的有效利用具有重要意义[5]、[6]。
如图1所示，水电发电受到多种因素的影响：水文要素（如降水量、径流和水位）；气象因素（包括太阳辐射和土壤湿度）；以及人类活动（如电力消费模式和运行计划）[7]、[8]。此外，串联水库的运行还受到水资源竞争性需求的制约，例如农业灌溉、生态用水需求和人类供水需求，并且在高流量期间必须满足防洪要求[9]。这些因素共同限制了可用于发电的水量，并给系统的运行行为带来了额外的非线性，进一步增加了水电发电预测的复杂性[10]、[11]。此外，由于河流流域的空间规模较大，不同地点的水电发电特性差异显著，难以开发适用于所有区域条件的单一预测模型。
如表1所总结的，当前的水电发电预测方法大致可以分为两类：基于过程的统计模型和数据驱动模型。基于过程的统计方法主要依赖于收集发电单元的运行状态、历史发电模式和相似性分析等信息，采用灰色预测模型等数值模拟方法进行预测[12]、[13]。然而，这些方法存在处理速度慢和灵活性不足的缺点。相比之下，数据驱动方法直接挖掘输入变量（如水文和气象数据）与历史水电发电量之间的非线性统计关系，使用时间序列模型和机器学习模型等技术[14]、[15]。尽管如此，现有研究中仍存在显著差距。首先，传统方法通常将各个水库视为独立实体，忽略了上下游水库之间的时空相关性，导致预测在时间和空间上缺乏协调性。其次，纯数据驱动模型忽略了水电系统的固有物理约束，可能会产生超出理论极限的预测结果。第三，数据驱动模型的内部决策机制大多不透明，限制了其在实际应用中的可信度。因此，迫切需要开发一种考虑物理约束和串联内时空相关性的实际串联水电系统日发电量预测方法，以满足气候变化下日益增长的电力需求。
因此，为了解决数据驱动方法在串联水电发电预测中的现有局限性，本文提出了一种结合物理约束和时空相关性的预测方法。图2展示了所提出的方法论和本研究的整体研究框架。首先，收集了中国福建省锦溪河流域串联水库系统的气象数据（如太阳辐射、蒸散量、土壤湿度）、水文数据（如水库进水量、出水量、水位）和历史水电发电数据。然后，使用时空图卷积网络（STGCN）对串联水电系统进行建模并识别其空间依赖性，同时使用门控循环单元（GRU）方法进行时间建模和每个单独水库的预测。此外，利用知识推理（KR）方法对GRU预测结果和原始特征进行数据推断，从而生成增强的特征表示用于预测。最后，将知识推理模块的结果与GRU方法的结果融合，生成串联水电系统的最终日发电量预测。在预测过程中，通过引入结合了基础损失函数和物理信息损失函数的复合损失函数，对数据驱动模型施加物理约束（P）。此外，本研究还结合了Shapley加性解释（SHAP）理论，全面分析了“气象-水文-水电”数据对所提出的STGCN-GRU-KR-P模型预测结果的贡献，从而提高了预测的可信度和可解释性。
本文的主要贡献如下：（1）提出了一种基于STGCN-GRU-KR-P的串联水电系统新型日发电量预测模型。该模型能够处理多源异构数据，并同时为串联系统中的每个水库提供预测结果。（2）引入了一种基于注意力机制的多级特征推理模块，模拟大型语言模型的推理能力，对串联水电水库内的复杂水文关系进行知识推理。（3）提出了一种用于水电发电预测的复合损失函数，将水电运行的物理规律嵌入深度学习中，实现了数据准确性和物理可行性的协同提升。（4）探讨了所提出的STGCN-GRU-KR-P方法的可解释性。通过引入SAHP可视化技术，全面分析了输入数据对模型发电预测的影响。通过这项研究，我们旨在为串联系统的日发电量预测提供新的解决方案，从而促进水资源的可持续开发和利用，并有助于清洁能源的高效利用。
