[發明專利]一種基于可變結構深度學習框架的短期調度規則提取方法

有效

• 申請號: 202010855501.3
• 申請日: 2020-08-24
• 公開（公告）號: CN112116130B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 王永強;楊鈺琪;許繼軍;莫莉;陳述;吳江;楊春華;曾子悅
• 申請（專利權）人: 長江水利委員會長江科學院;華中科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F16/2458;G06N3/04
• 代理公司: 武漢楚天專利事務所 42113
• 代理人: 孔敏

一種基于可變結構深度學習框架的短期調度規則提取方法，包括：步驟1、構建深度學習網絡；步驟2、輸入因子?決策變量樣本對選擇；步驟3、將步驟2的樣本數據歸一化；步驟4、關鍵超參數選擇與優化；步驟5、網絡重構；步驟6、網絡訓練：利用步驟5得到的重構網絡，輸入步驟3得到的樣本進行網絡學習，得到最終深度學習網絡，此網絡即為提取的短期調度規則。本發明立足電站實際歷史運行數據，構建基于長短期記憶網絡的深度學習網絡模型，挖掘實際運行過程中蘊含的內在規律，建立電站短期調度規則，將電站調度期初末水位、期間來水過程以及電站受電網負荷過程作為輸入因子，電站時段末水位作為決策變量，使模型輸出結果更適用于實際調度過程。

技術領域

本發明涉及水電能源優化領域，具體是一種基于可變結構深度學習框架的短期調度規則提取方法。

背景技術

水電站確定性優化調度將來水與電網負荷作為確定的時間序列輸入，然而，徑流預報與電網負荷預測均具有精度有限與預見期受限的特點，預測誤差使得水電站確定性優化調度結果在實際運行中難以得到很好應用。

隱隨機優化調度主要思想是通過挖掘確定性優化調度長序列成果中蘊含的內在規律，略去繁雜的模型求解過程，提取出輸入因子與調度決策之間的物理成因關系，進而形成調度規則。但由于該方法的訓練數據源仍是優化調度結果，獲取模型的訓練樣本數據較為困難，也導致得到的調度結果難以應用于實際生產過程。

發明內容

本發明目的在于提供一種基于可變結構深度學習框架的短期調度規則提取方法，立足電站實際歷史運行數據，構建基于長短期記憶網絡的深度學習網絡模型，挖掘實際運行過程中蘊含的內在規律，建立電站短期調度規則，將電站調度期初末水位、期間來水過程以及電站受電網負荷過程作為輸入因子，電站時段末水位作為決策變量，使模型輸出結果更適用于實際調度過程。

本發明涉及一種基于可變結構深度學習框架的短期調度規則提取方法，包括以下步驟：

步驟1、構建深度學習網絡：根據應用場景與訓練數據，以LSTM層為基礎，固定最后兩層為全連接層，其中第一層全連接層用于對LSTM層的輸出進行加權，得到完整的信息矩陣，再通過Dropout機制連接到下一層全連接層，從而得到最終的網絡輸出；

步驟2、輸入因子-決策變量樣本對選擇：以天為調度期，小時為調度時段，選取調度期初末水位(Z₁,Z₂₄)、電站一天的來水過程(Q₁,Q₂,...,Q₂₄)以及電站送電電網的負荷過程(L₁,L₂,...,L₂₄)為輸入因子，以時段末水位Z_t(t＝1,2,3,...,24)為決策變量，選取n對輸入因子-決策變量作為樣本，如公式(1)所示：

其中，樣本1～n₁作為訓練集樣本，其余作為測試集樣本；

步驟3、將步驟2的樣本數據歸一化；

步驟4、關鍵超參數選擇與優化：在構建的深度學習網絡結構中，采用控制變量法，選擇在訓練過程中對樣本的學習效果具有顯著影響的超參數進行優化；

步驟5、網絡重構：運用差分進化算法，以訓練集樣本與測試集樣本的擬合結果與實際結果的均方差和最小為目標優化步驟4中選擇出的超參數，得到最優網絡結構；

步驟6、網絡訓練：利用步驟5得到的重構網絡，輸入步驟3得到的樣本進行網絡學習，得到最終深度學習網絡，此網絡即為提取的短期調度規則。

進一步的，步驟3中樣本數據歸一化采用標準化的處理方式使樣本的方差為1均值為0，如公式(2)、(3)所示：