Till innehållet
English
  • Nyheter
  • Vattenkraft
  • Ny rapport

Djupinlärning kan komplettera dagens tillrinningsprognoser inom vattenkraften

Djupinlärning kan bli ett komplement till dagens metoder för att prognostisera tillrinningen till vattenkraftsmagasin. Det visar en ny rapport där två modeller har testats för magasinen Överuman och Sädvajaure. Resultaten visar hög träffsäkerhet, framför allt på kort sikt, men också att träffsäkerheten minskar ju längre fram prognosen sträcker sig
Kollage_Shicheng Li och rinnande dam, Adobestock 345744169

– Resultaten visar att djupinlärning har potential som ett komplement till de hydrologiska metoder som används i dag. Samtidigt ser vi att lokala förhållanden och hur långt fram prognosen sträcker sig har stor betydelse för resultatet, säger rapportförfattare Shicheng Li, KTH.  

Datadrivet komplement till dagens prognosmodeller

HBV är en etablerad modell för hydrologiska prognoser inom svensk vattenkraft. Samtidigt har tillgången till hydrologiska och meteorologiska data ökat, vilket har skapat ett intresse för datadrivna metoder som kan komplettera dagens modeller. Rapporten undersöker därför hur djupinlärning kan användas för tillrinningsprognoser och jämför resultaten med HBV. 

Två modeller för djupinlärning har testats för de reglerade magasinen Överuman och Sädvajaure. Modellerna har tränats och utvärderats med drygt 20 års data om vattennivå, nederbörd, temperatur och historisk tillrinning. Av de två modellerna gav LSTM bäst resultat och används därför i rapportens fortsatta analyser. 

LSTM-modellen kunde med hög träffsäkerhet återge hur tillrinningen varierade över tid. Den fångade både säsongsvariationer och perioder med höga och låga flöden, med särskilt hög träffsäkerhet för Sädvajaure. Rapportens osäkerhetsanalys visar också att prognoserna var stabila när indata utsattes för måttliga störningar. 

Träffsäkerheten minskar längre fram

I jämförelsen med HBV låg LSTM-modellens prognoser närmare de observerade flödena för båda magasinen. Rapporten betonar samtidigt att modellerna arbetar på olika sätt i de testade uppställningarna. HBV använder externa meteorologiska prognoser för att beräkna framtida tillrinning, medan LSTM-modellen i rapporten gör sina prognoser utifrån historiska observationer. 

Hur långt fram prognosen görs spelar också stor roll. Modellen gav tillförlitliga korttidsprognoser för båda magasinen, men träffsäkerheten minskade successivt med längre prognoshorisont. För Överuman blev försämringen tydlig efter de första dagarna, medan modellen behöll en högre träffsäkerhet längre för Sädvajaure. På längre sikt kunde modellen framför allt fånga den övergripande utvecklingen, medan kortvariga toppar och variationer blev mindre tydliga. 

– Djupinlärning ersätter inte automatiskt de modeller som används i dag. Rapporten visar snarare hur datadrivna metoder kan bidra med ytterligare verktyg och på sikt kombineras med meteorologiska prognoser, säger Shicheng Li.  

Lokala data förbättrar modellerna

Rapporten undersöker också om en modell som tränats för ett magasin kan anpassas för att göra prognoser för ett annat, genom så kallad transfer learning. Att flytta modellen direkt mellan Överuman och Sädvajaure gav dåliga resultat. När modellen i stället finjusterades med en begränsad mängd lokala data förbättrades prognoserna tydligt. 

Resultaten pekar på en möjlighet att använda metoden även för magasin där långa lokala dataserier saknas. Men rapporten visar också en tydlig begränsning: lokala data kan inte fullt ut kompensera för skillnader mellan avrinningsområdena. Därför rekommenderas lokalt observerade data när sådana finns tillgängliga. 

Fakta om rapporten

Rapporten undersöker också om en modell som tränats för ett magasin kan anpassas för att göra prognoser för ett annat, genom så kallad transfer learning. Att flytta modellen direkt mellan Överuman och Sädvajaure gav dåliga resultat. När modellen i stället finjusterades med en begränsad mängd lokala data förbättrades prognoserna tydligt.

Resultaten pekar på en möjlighet att använda metoden även för magasin där långa lokaladataserier saknas. Men rapporten visar också en tydlig begränsning: lokala data kan inte fullt utkompensera för skillnader mellan avrinningsområdena. Därför rekommenderas lokalt observerade data när sådana finns tillgängliga. 

Läs rapporten här

Om Hydrologiskt utvecklingsarbete

Rapporten skrevs inom programmet Hydrologiskt utvecklingsarbete. Programmet är ett nätverk inom området hydrologi och hydrologiska tillämpningar inom vattenkraften, som tar fram ny kunskap och utvecklar nya metoder för att förbättra prognoser för tillrinningar och flöden.

Läs mer om programmet här 

Andreas Larsson

Programansvarig Vattenkraft

Andreas Larsson

Aktuellt

Djupinlärning kan komplettera dagens tillrinningsprognoser inom vattenkraften
Kollage_Shicheng Li och rinnande dam, Adobestock 345744169
  • Nyheter
  • Vattenkraft
Ny utbildning inkluderar energiplanering i samhällsplanering
Solceller vindkraft kraftledning Adobe 1158754053 Madelene Danielzon
  • Nyheter
  • Energisystem
Nya sanningar för hur svenska elpriser sätts
AdobeStock_2188509442 Lars Bergman
  • Nyheter
  • Energisystem
Sveriges beroende av kritiska metaller hotar omställningen
Filip Johnsson Julia Hansson Martin Vallstrand
  • Pressmeddelande
  • Energisystem
Standarder möjliggör Sveriges elektrifiering bakom kulisserna
Yiming Wu, Anders Johnsson och Florin Stelea.jpeg
  • Nyheter
  • Elnät