[發明專利]訓練、策略生成方法、系統、計算機裝置及存儲介質

在審

• 申請號: 202010106599.2
• 申請日: 2020-02-21
• 公開（公告）號: CN113298329A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 盧晨貝
• 申請（專利權）人: 中關村海華信息技術前沿研究院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 上海巔石知識產權代理事務所(普通合伙) 31309
• 代理人: 高彥;王再朝

1.一種訓練方法，其特征在于，用于訓練深度學習框架，所述深度學習框架能生成用于控制能量產生系統在至少一時隙的產能控制策略；其中，所述能量產生系統包括一或多個能量產生裝置，以至少令對應所述產能控制策略的所述能量產生系統的預測產能量滿足同一時隙的用能系統的實際需能量；所述訓練方法包括：

令所述深度學習框架接收需能量相關數據集的輸入，以輸出至少一時隙的產能控制策略；

令產能控制策略輸入損失函數得到基于該至少一時隙的產能控制策略形成的預測產能量和實際需能量間的匹配損失，通過相應的誤差反饋以更新所述深度學習框架的模型參數以限制所述匹配損失。

2.根據權利要求1所述的訓練方法，其特征在于，所述深度學習框架包括：負載預測器，用于根據需能量相關數據集預測該至少一時隙的需能量的概率分布信息；策略生成器，用于根據所述概率分布信息獲得所述產能控制策略；

所述更新所述深度學習框架的模型參數，包括：

更新所述負載預測器的模型參數。

3.根據權利要求1所述的訓練方法，其特征在于，所述深度學習框架包括：產能預測器，用于根據需能量相關數據集預測所述預測產能量的信息，以用于生成產能控制策略；

所述更新所述深度學習框架的模型參數，包括：

更新所述產能預測器的模型參數。

4.根據權利要求1所述的訓練方法，其特征在于，所述需能量相關數據集包括：一或多組單元數據，每組單元數據包括：在先時間的歷史需求狀態參數、及歷史實際需能量。

5.根據權利要求1所述的訓練方法，其特征在于，所述需能量相關數據集中的部分作為訓練集，另一部分作為測試集。

6.根據權利要求1所述的訓練方法，其特征在于，所述深度學習框架根據相關于產能量的產能成本、和/或產能量相對預測需能量短缺和/或超出情形下的供需誤差量符合最小化條件以獲得所述預測產能量。

7.根據權利要求6所述的訓練方法，其特征在于，符合最小化條件的所述產能成本的函數是通過在產能量的預設取值范圍中執行分段線性函數的建立方法來得到的。

8.根據權利要求6所述的訓練方法，其特征在于，所述供需誤差量根據預測產能量在相對于已知概率密度分布的預測需能量短缺和/或超出情形下得到的累積概率分布與相應系數所表示。

9.根據權利要求6所述的訓練方法，其特征在于，所述預測產能量位于產能量限制范圍中；其中，所述產能量限制范圍的邊界值與能量產生系統的產能限制相關。

10.根據權利要求9所述的訓練方法，其特征在于，所述產能量限制范圍的邊界還與能量產生系統的線路傳輸能量限制相關。

11.根據權利要求9所述的，其特征在于，所述預測產能量是在所述產能量限制范圍上采用步進遞減至預設閾值的查詢方式所查詢得到的，所述步進的方向由所述產能成本和/或供需誤差量的函數隨預測產能量變化而單調增加或單調遞減所確定。

12.根據權利要求11所述的訓練方法，其特征在于，在所查詢到的預測產能量位于所述產能量限制范圍以外時，以最接近的所述邊界值作為預測產能量。

13.根據權利要求1或6所述的訓練方法，其特征在于，所述匹配損失包括：成本損失及供需誤差損失中的一種或多種組合。

14.根據權利要求13所述的訓練方法，其特征在于，所述成本損失包括：預測產能成本及實際需能成本間的偏差；所述預測產能成本為能量產生系統生產一預測產能量的總生產成本；所述實際需能成本等同于該預測產能量滿足實際需能量情形下達成的所述總生產成本的最小值。