[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

本申請提供訓練、策略生成方法、系統、計算機裝置及存儲介質，通過端到端的深度學習框架來進行產能控制策略的生成；其中，在訓練該深度學習框架時，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。通過深度學習框架確定依據預測產能量的產能控制策略，令預測更為準確；并且通過深度學習框架的端到端學習能有效提升運算效率。

技術領域

本申請涉及能源管理技術領域，特別是涉及訓練、策略生成方法、系統、計算機裝置及存儲介質。

背景技術

可再生能源的日益普及挑戰了傳統的能量產生系統(如電力系統，包含發電機、發電機組等)的運行模式，相應的，設計對能量產生系統的能量產生行為的控制策略并執行的行為，俗稱經濟調度(ED)也愈發困難。其難點在于，需要對負載(LOAD)的用能需求進行預測，而短期負荷預測可能相當準確，因此，基于這些預測的調度產生的發電成本幾乎為最小。但是，當可再生能源發電被視為負負載時，其隨機性使凈負載難以預測。

現有的負載預測技術采用的預測精度的度量標準是均方誤差(MSE)，并且該度量指標通常與ED的目標函數不一致，存在預測不準確、并不降低成本等問題。

并且，良好的ED策略實現的主要困難來自時間耦合和動態實現。為了解決時間挑戰，解決方案的概念從經典的線性和二次規劃到用于值點加載的遺傳算法不等。為了克服動態調度的困難，已經提出了各種數學規劃方法，包括Lambda迭代方法，內部點方法和動態規劃等。但是，這些方法通常很耗時，即運算效率低下，及時性差，不適用于大規模的能量產生系統。

發明內容

鑒于以上所述現有相關的缺點，本申請的目的在于提供訓練、策略生成方法、系統、計算機裝置及存儲介質，用于解決現有技術中對能量產生系統的能量產生行為的控制策略存在的種種弊端。

為實現上述目的及其他相關目的，本申請的第一方面提供一種訓練方法，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。

在本申請第一方面的某些實施例中，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。

在本申請第一方面的某些實施例中，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。

在本申請第一方面的某些實施例中，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。

在本申請第一方面的某些實施例中，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。

在本申請第一方面的某些實施例中，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。