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。

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。

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, key=lambda 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1200MW，2018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_lag=48): """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, dtype=float) dn = np.array(downstream_q, dtype=float) 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, eff=0.85, loss_ratio=0.05): """q: 流量 m3/s；gross_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, x=0.2, dt=1.0): """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。