[發明專利]基于數據驅動的機組組合決策方法、系統、設備及介質

在審

• 申請號: 202310573977.1
• 申請日: 2023-05-19
• 公開（公告）號: CN116579375A
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 許丹;陳準;鄭陳達;宋少群;丁強;戴賽;李強;潘毅;崔暉;李博;張加力;李宇軒;胡曉靜;徐曉彤;閆翠會;門德月;周明逸;劉升;胡靜;路怡;燕京華;盛燦輝;張傳成;屈富敏;李哲;張瑞雯;黃國棟;韓彬;胡晨旭;楊曉楠;王磊
• 申請（專利權）人: 中國電力科學研究院有限公司;國網福建省電力有限公司;國家電網有限公司
• 主分類號: G06N3/045
• 分類號: G06N3/045;G06N3/0442;G06N3/08;G06Q50/06;G06Q10/0631
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 張曉凱

本發明公開了一種基于數據驅動的機組組合決策方法、系統、設備及介質，決策方法包括結合機組組合歷史樣本數據的特征，建立機組組合深度學習模型；利用訓練樣本對機組組合深度學習模型進行訓練，訓練樣本包括日負荷、機組組合方案，日負荷與機組組合方案之間具有映射關系；在訓練后的機組組合深度學習模型中輸入負荷數據，獲得機組組合方案的決策結果。本發明不研究機組組合的內在機理，而是基于深度學習方法，利用海量歷史決策數據訓練，直接構建已知輸入量和決策結果間的映射關系。因而，本發明在面對不同類型的機組組合問題時，適應性更高，有助于電力調度系統應對各種復雜因素和突發狀況的影響。

技術領域

本發明屬于電力調度技術領域，具體涉及一種基于數據驅動的機組組合決策方法、系統、設備及介質。

背景技術

基于物理模型驅動的機組組合決策方法往往是以機理研究為基礎，因而其建模、求解過程都較為復雜，研究周期較長，而且在面對不斷涌現的新問題時往往需要對模型或算法進行重構，在當今能源變革日新月異的背景下，這種決策方法的適應性不高。

深度學習起源于人工神經網絡，其模型通常由多層非線性運算單元組合而成。它將較低層的輸出作為更高一層的輸入，通過這種方式自動地從大量訓練數據中學習抽象的特征表示，以發現數據的分布式特征。2014年至今，深度學習已在人工智能領域取得一系列重大突破，發展出了包括卷積神經網絡(Convolutional?Neural?Network，CNN)、深度置信網絡(Deep?Belief?Network，DBN)、堆棧自編碼網絡(Stacked?Auto-Encoder，SAE)等在內的多種模型。由于以上幾種模型中，每層的節點相互獨立，適用于處理時序不相關數據，而對于日前機組組合這種和時間序列緊密相關的數據，上述模型并不適用。

與傳統神經網絡架構不同，RNN的每個神經元都可以按照數據的時序進行展開，即一組輸入序列當前的輸出與前一時刻的隱藏層輸出有關，因此被成功用于處理時序相關數據。但是，由于在面對序列較長的訓練數據時，RNN會出現梯度消失問題，而日前機組組合樣本數據的時間序列一般為96維，因此如果直接利用RNN構建機組組合輸入量和決策結果間的映射關系，精度方面難以保證。

發明內容

本發明的目的在于針對上述現有技術中的問題，提供一種基于數據驅動的機組組合決策方法、系統、設備及介質，有助于實際電力調度系統應對各種復雜因素和突發狀況的影響。

為了實現上述目的，本發明有如下的技術方案：

第一方面，提供一種基于數據驅動的機組組合決策方法，包括：

結合機組組合歷史樣本數據的特征，建立機組組合深度學習模型；

利用訓練樣本對機組組合深度學習模型進行訓練，訓練樣本包括日負荷、機組組合方案，日負荷與機組組合方案之間具有映射關系；

在訓練后的機組組合深度學習模型中輸入負荷數據，獲得機組組合方案的決策結果。

作為一種優選方案，所述機組組合深度學習模型的建立步驟包括：

根據長短時記憶網絡模型和門控循環單元，構建機組組合深度學習模型；

根據機組組合歷史樣本數據的特征，構建機組組合深度學習模型中神經網絡模塊B的具體模型；

其中，所述機組組合深度學習模型采用多個循環式結構線性連接而成，一個循環式結構由多個相同的線性連接結構線性連接而成，一個循環式結構中線性連接結構的個數與時間序列的維度相關，線性連接結構為神經網絡模塊B。

作為一種優選方案，所述神經網絡模塊B按照如下步驟建立：