CN109543912A - 基于深度学习的水库最优调度决策模型生成方法 - Google Patents
基于深度学习的水库最优调度决策模型生成方法 Download PDFInfo
- Publication number
- CN109543912A CN109543912A CN201811440315.2A CN201811440315A CN109543912A CN 109543912 A CN109543912 A CN 109543912A CN 201811440315 A CN201811440315 A CN 201811440315A CN 109543912 A CN109543912 A CN 109543912A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- decision model
- data
- deep learning
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 4
- 108010014173 Factor X Proteins 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- -1 periodO Chemical class 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical group OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241001672694 Citrus reticulata Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的基于深度学习的水库最优调度决策模型生成方法,涉及水库调度技术领域,基于深度学习算法,从水库历史调度数据中提取水库的历史调度规则,对水库调度模型的计算精度进行优化的同时,还对水库调度模型的计算耗时进行了优化,可快速从海量历史调度数据中提取水库调度规则,适用于水库实时调度以及水库短期、中长期等时段调度,提高了水库调度模型的计算精度、计算效率及实用性,解决了现有技术存在的计算精度低、计算效率低及实用性不强的缺陷。
Description
技术领域
本发明涉及水库调度技术领域,具体涉及一种基于深度学习的水库最优调度决策模型生成方法。
背景技术
水库作为人类利用和管理水资源的重要水利工程措施,有效解决了水资源配置与人类经济社会发展需求间的矛盾。水库调度方案作为指导水库调度运行的有力工具,是实现水库综合效益发挥的关键技术之一。因此,制定科学的水库调度方案,对于充分发挥水库的综合效益至关重要。
当前,水库调度工作主要以调度图或调度模型(如线性函数、机器学习算法)为指导依据,二者均通过历史的长系列资料模拟制定。传统的水库调度图以其直观、实用的优点在实际调度中应用广泛,但因无法考虑水雨情信息而缺乏灵活性,一定程度上限制了水库的优化决策。相比之下,调度模型根据水库的历史调度数据提取水库调度规则,尤其是基于机器学习算法的水库调度模型,能够根据水库的运行状况,结合入流信息和气象信息等制定出相对灵活的调度方案,从而更显著的提高水库效益。
但是,目前现有的水库调度模型在实际应用中尚存在多种缺陷:
(1)对水库历史调度管理经验的学习能力有限,给出的决策结果与实际调度操作偏差较大;
(2)水库需应对的实际调度场景复杂,在处理极端入流条件时,难以给出合理精准的调度决策;
(3)多只侧重于模拟精度,对计算耗时的关注不够,限制了模型的实际应用;
(4)由于影响水库调度的因子众多,且影响因子与水库调度决策之间存在复杂的非线性关系,大大增加了调度模型的求解难度与计算耗时,因此,现有技术在水库中长期调度中应用较为广泛,但由于难以满足水库实时调度的快速决策需求,导致在水库的实时调度中鲜少应用。
发明内容
为解决现有技术的不足,本发明实施例提供了一种基于深度学习的水库最优调度决策模型生成方法,该方法包括:
S1、采集水库历史调度数据和库区站点气象数据并利用深度学习算法,获取水库的历史调度规则;
S2、根据所述水库历史调度数据及所述库区站点气象数据,构建包括决策变量Y和影响因子X的数据集,其中,所述决策变量包括水库各个时段的出流量QO T,所述影响因子包括:月份M、时刻T、水库当前时段入流量Qi T、水库上一时段出流量QO T-1、水库上一时段水坝上水位Zu T-1、水库上一时段水坝上水位Zd T-1、水库当前保证出力NT、水库当前时段降水量PT及水库当前时段蒸发量ET,则所述数据集S={X,Y}={M,T,Qi T,QO T-1,Zu T-1,Zd T-1,PT,ET,QO T},其中T为自然数,T∈[0,24];
S3、以影响因子为模型输入向量,以决策变量为模型输出向量,构建基于长短期记忆网络深度学习算法的水库调度模型,并根据所述数据集确定训练样本和测试样本,其中,所述水库调度模型的模型表达式为f为水库的历史调度规则函数;
S4、设定所述水库调度模型的最大迭代次数及最大隐层节点数,根据所述最大迭代次数、所述最大隐层节点数及所述训练样本,采用基于误差反向传播算法和Holdout验证方法对所述水库调度模型进行训练,生成水库调度决策模型;
S5、利用所述测试样本对所述水库调度决策模型进行精度测试,计算不同组合的迭代次数和隐层节点数对所述水库调度决策模型计算精度的影响,判断所述水库调度决策模型是否满足设定的精度要求,将满足精度要求的水库调度决策模型组合在一起,生成水库调度决策模型集;
S6、比较所述水库调度决策模型集中各个水库调度决策模型的计算精度,根据比较结果,获得最优迭代次数及最优隐层节点数,保证了水库调度决策模型的计算精度;
S7、测试批量值对所述水库调度决策模型集中各个水库调度决策模型的计算耗时的影响,根据测试结果,获得最优批量值,保证了水库调度决策模型的计算效率;
S8、根据所述最优迭代次数、所述最优隐层节点数及所述最优批量值,生成水库最优调度决策模型。
进一步地,根据所述数据集确定训练样本和测试样本包括:
基于二八定律,将数据集划分为训练样本和测试样本,其中,所述训练样本占所述数据集中数据总个数的80%,所述测试样本占所述数据集中数据总个数的20%。
进一步地,判断所述水库调度决策模型是否满足设定的精度要求包括:
若所述水库调度决策模型不满足设定的精度要求,则重复上述步骤S4-S8。
本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法,具有以下有益效果:
(1)本发明提供的基于深度学习的水库最优调度决策模型是基于深度学习的水库调度快速决策方法生成的,其中,基于深度学习领域中的长短期记忆网络(Long Short-term Memory Network,LSTM)从水库历史调度数据中提取水库的调度规则,进一步提升了对水库调度管理经验的学习能力;
(2)本发明提供的基于深度学习的水库最优调度决策模型能够给出合理应对多种极端入流事件的水库调度决策;
(3)本发明提供的基于深度学习的水库最优调度决策模型在保证模拟精度的同时,也保证了计算耗时,增强了水库调度模型的实际应用性;
(4)本发明提供的基于深度学习的水库最优调度决策模型可快速从海量历史调度数据中提取水库调度规则,适用于水库实时调度以及水库短期、中长期等时段调度。
附图说明
图1为本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法流程示意图;
图2a为本发明实施例提供的水库调度决策模型的迭代次数及隐层节点数与计算精度的均方根误差RSR之间的关系示意图;
图2b为本发明实施例提供的水库调度决策模型的迭代次数及隐层节点数与计算精度的纳什效率系数NSE之间的关系示意图;
图2c为本发明实施例提供的水库调度决策模型的迭代次数及隐层节点数与计算耗时之间的关系示意图;
图3a为本发明实施例提供的水库调度决策模型的计算精度的均方根误差RSR及批量值与计算耗时之间的关系示意图;
图3b为本发明实施例提供的水库调度决策模型的计算精度的纳什效率系数NSE及批量值与计算耗时之间的关系示意图;
图4为本发明实施例提供的水库最优调度决策模型的模拟结果与实测结果对比示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示,本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法包括以下步骤:
S101、采集水库历史调度数据和库区站点气象数据并利用深度学习算法,获取水库的历史调度规则。
S102、根据所述水库历史调度数据及所述库区站点气象数据,构建包括决策变量Y和影响因子X的数据集,其中,所述决策变量包括水库各个时段的出流量QO T,所述影响因子包括:月份M、时刻T、水库当前时段入流量Qi T、水库上一时段出流量QO T-1、水库上一时段水坝上水位Zu T-1、水库上一时段水坝上水位Zd T-1、水库当前保证出力NT、水库当前时段降水量PT及水库当前时段蒸发量ET,则所述数据集S={X,Y}={M,T,Qi T,QO T-1,Zu T-1,Zd T-1,PT,ET,QO T},其中T为自然数,T∈[0,24]。
S103、以影响因子为模型输入向量,以决策变量为模型输出向量,构建基于长短期记忆网络深度学习算法的水库调度模型,并根据所述数据集确定训练样本和测试样本,其中,所述水库调度模型的模型表达式为Qo T=f(M,T,Qi T,Qo T-1,Zu T-1,Zd T-1,NT,PT,ET),f为水库的历史规则函数。
S104、设定所述水库调度模型的最大迭代次数及最大隐层节点数,根据所述最大迭代次数、所述最大隐层节点数及所述训练样本,采用基于误差反向传播算法和Holdout验证方法对所述水库调度模型进行训练,生成水库调度决策模型。
S105、利用所述测试样本对所述水库调度决策模型进行精度测试,计算不同组合的迭代次数和隐层节点数对所述水库调度决策模型计算精度的影响,判断所述水库调度决策模型是否满足设定的精度要求,将满足精度要求的水库调度决策模型组合在一起,生成水库调度决策模型集。
作为一个具体的实施例,水库调度决策模型的计算精度的评价指标采用均方根误差与标准差之比RSR以及纳什效率系数NSE,其中RSR和NSE可以分别按式(1)及(2)计算得到:
式中,si代表模型模拟结果,oi代表观测结果,代表平均观测值。若RSR<0.5,NSE>0.75,表示该水库调度决策模型满足精度要求。
作为一个具体的实施例,首先,设定批量值为50,测试不同迭代次数和隐层节点数的组合对水库调度决策模型计算精度的影响,其中,迭代次数和隐层节点数的变化范围均为5-100,设定间隔为5,共计400组工况。之后,根据上一步的实验结果,在保证水库调度决策模型模拟精度最高的条件下,调整批量值大小,测试批量值对模型计算耗时的影响,设定批量值的变化范围是1-800,在1-100范围内设定间隔为5,100-800范围内设定间隔为25,共计44组工况。
S106、比较所述水库调度决策模型集中各个水库调度决策模型的计算精度,根据比较结果,获得最优迭代次数及最优隐层节点数。
测试结果如图2a、2b及2c所示,隐层节点数对水库调度决策模型的模拟精度和计算耗时影响较小,迭代次数对水库调度决策模型的模拟精度和计算耗时影响显著,随着迭代次数的增加,水库调度决策模型的模拟精度提高,计算耗时增加。当迭代次数大于40时,水库调度决策模型更易取得高精度的模拟结果。
S107、测试批量值对所述水库调度决策模型集的计算耗时的影响,根据测试结果,获得最优批量值。
从图3a及3b可以看出,批量值对水库调度决策模型的计算精度影响较小,主要影响水库调度决策模型的计算耗时,当批量值大于80时,水库调度决策模型计算耗时较小,且逐渐趋于稳定。
S108、根据所述最优迭代次数、所述最优隐层节点数及所述最优批量值,生成水库最优调度决策模型。
在一个具体的实施例中,当迭代次数为100,隐层节点数为15,批量值为275时,可获得水库最优调度决策函数,此时,水库调度决策模型的计算精度最高,RSR为0.188,NSE为0.985,计算耗时最小为3.8s,其模拟结果如图4所示。
可选地,根据所述数据集确定训练样本和测试样本包括:
基于二八定律,将数据集划分为训练样本和测试样本,其中,所述训练样本占所述数据集中数据总个数的80%,所述测试样本占所述数据集中数据总个数的20%。
可选地,判断所述水库调度决策模型是否满足设定的精度要求包括:
若所述水库调度决策模型不满足设定的精度要求,则重复上述步骤S4-S8。
本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法,基于深度学习算法,从水库历史调度数据中提取水库的历史调度规则,对水库调度模型的计算精度进行优化的同时,还对水库调度模型的计算耗时进行了优化,可快速从海量历史调度数据中提取水库调度规则,适用于水库实时调度以及水库短期、中长期等时段调度,提高了水库调度模型的计算精度、计算效率及实用性。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种基于深度学习的水库最优调度决策模型生成方法,其特征在于,包括:
S1、采集水库历史调度数据和库区站点气象数据并利用深度学习算法,获取水库的历史调度规则;
S2、根据所述水库历史调度数据及所述库区站点气象数据,构建包括决策变量Y和影响因子X的数据集,其中,所述决策变量包括水库各个时段的出流量QO T,所述影响因子包括:月份M、时刻T、水库当前时段入流量Qi T、水库上一时段出流量QO T-1、水库上一时段水坝上水位Zu T-1、水库上一时段水坝上水位Zd T-1、水库当前保证出力NT、水库当前时段降水量PT及水库当前时段蒸发量ET,则所述数据集S={X,Y}={M,T,Qi T,QO T-1,Zu T-1,Zd T-1,PT,ET,QO T},其中T为自然数,T∈[0,24];
S3、以影响因子为模型输入向量,以决策变量为模型输出向量,构建基于长短期记忆网络深度学习算法的水库调度模型,并根据所述数据集确定训练样本和测试样本,其中,所述水库调度模型的模型表达式为f表示水库的历史调度规则函数;
S4、设定所述水库调度模型的最大迭代次数及最大隐层节点数,根据所述最大迭代次数、所述最大隐层节点数及所述训练样本,采用基于误差反向传播算法和Holdout验证方法对所述水库调度模型进行训练,生成水库调度决策模型;
S5、利用所述测试样本对所述水库调度决策模型进行精度测试,计算不同组合的迭代次数和隐层节点数对所述水库调度决策模型计算精度的影响,判断所述水库调度决策模型是否满足设定的精度要求,将满足精度要求的水库调度决策模型组合在一起,生成水库调度决策模型集;
S6、比较所述水库调度决策模型集中各个水库调度决策模型的计算精度,根据比较结果,获得最优迭代次数及最优隐层节点数;
S7、测试批量值对所述水库调度决策模型集的计算耗时的影响,根据测试结果,获得最优批量值;
S8、根据所述最优迭代次数、所述最优隐层节点数及所述最优批量值,生成水库调度最优决策模型。
2.根据权利要求1所述的基于深度学习的水库最优调度决策模型生成方法,其特征在于,根据所述数据集确定训练样本和测试样本包括:
基于二八定律,将数据集划分为训练样本和测试样本,其中,所述训练样本占所述数据集中数据总个数的80%,所述测试样本占所述数据集中数据总个数的20%。
3.根据权利要求1所述的基于深度学习的水库最优调度决策模型生成方法,其特征在于,判断所述水库调度决策模型是否满足设定的精度要求包括:
若所述水库调度决策模型不满足设定的精度要求,则重复上述步骤S4-S8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440315.2A CN109543912B (zh) | 2018-11-29 | 2018-11-29 | 基于深度学习的水库最优调度决策模型生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440315.2A CN109543912B (zh) | 2018-11-29 | 2018-11-29 | 基于深度学习的水库最优调度决策模型生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543912A true CN109543912A (zh) | 2019-03-29 |
CN109543912B CN109543912B (zh) | 2021-10-01 |
Family
ID=65850900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811440315.2A Active CN109543912B (zh) | 2018-11-29 | 2018-11-29 | 基于深度学习的水库最优调度决策模型生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543912B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472347A (zh) * | 2019-08-20 | 2019-11-19 | 河海大学 | 一种面向水资源调度的计算模型构建方法 |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及系统 |
CN111820902A (zh) * | 2020-06-29 | 2020-10-27 | 北京科技大学 | 一种基于活动度特征的踝关节韧带损伤智能决策系统 |
CN112182709A (zh) * | 2020-09-28 | 2021-01-05 | 中国水利水电科学研究院 | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 |
CN113204583A (zh) * | 2021-04-14 | 2021-08-03 | 武汉大学 | 水库群调度决策行为挖掘方法和水库调度自动控制装置 |
CN113255903A (zh) * | 2021-05-21 | 2021-08-13 | 北京百度网讯科技有限公司 | 检测模型调整方法和装置 |
CN115879747A (zh) * | 2023-02-24 | 2023-03-31 | 南京恒创智云计算科技有限公司 | 一种数字化防汛抗旱调度方法和系统 |
US11762376B2 (en) | 2019-12-03 | 2023-09-19 | Industrial Technology Research Institute | Quick dispatching rule screening method and apparatus |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682347A (zh) * | 2012-05-10 | 2012-09-19 | 中国水利水电科学研究院 | 一种基于连续线性规划的水库优化调度方法 |
CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
CN104462861A (zh) * | 2014-12-31 | 2015-03-25 | 武汉大学 | 一种基于水库调度规则合成的水库调度决策方法 |
CN106570786A (zh) * | 2016-11-08 | 2017-04-19 | 武汉大学 | 一种基于调度规则时变特性的水库适应性调度方法 |
CN107862457A (zh) * | 2017-11-03 | 2018-03-30 | 河海大学 | 一种水库分期调度规则提取方法 |
US20180137456A1 (en) * | 2016-11-16 | 2018-05-17 | At&T Intellectual Property I, L.P | Systems and methods for automatically moving items |
CN108764539A (zh) * | 2018-05-15 | 2018-11-06 | 中国长江电力股份有限公司 | 一种梯级电站的上下游水位预测方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
-
2018
- 2018-11-29 CN CN201811440315.2A patent/CN109543912B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682347A (zh) * | 2012-05-10 | 2012-09-19 | 中国水利水电科学研究院 | 一种基于连续线性规划的水库优化调度方法 |
CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
CN104462861A (zh) * | 2014-12-31 | 2015-03-25 | 武汉大学 | 一种基于水库调度规则合成的水库调度决策方法 |
CN106570786A (zh) * | 2016-11-08 | 2017-04-19 | 武汉大学 | 一种基于调度规则时变特性的水库适应性调度方法 |
US20180137456A1 (en) * | 2016-11-16 | 2018-05-17 | At&T Intellectual Property I, L.P | Systems and methods for automatically moving items |
CN107862457A (zh) * | 2017-11-03 | 2018-03-30 | 河海大学 | 一种水库分期调度规则提取方法 |
CN108764539A (zh) * | 2018-05-15 | 2018-11-06 | 中国长江电力股份有限公司 | 一种梯级电站的上下游水位预测方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
Non-Patent Citations (5)
Title |
---|
张帅 等: ""递归神经网络在降雨量预测中的应用研究"", 《节水灌溉》 * |
梁肖: ""LSTM 和蚁群算法在智能电厂调度中的应用"", 《自动化仪表》 * |
缪益平: ""运用改进神经网络算法建立水库调度函数"", 《武汉大学学报(工学版)》 * |
赵钰: ""基于BP神经网络的水库优化调度"", 《电脑开发与应用》 * |
郑茹楠: ""深度学习在水文工作中的应用探讨"", 《河南水利与南水北调》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472347A (zh) * | 2019-08-20 | 2019-11-19 | 河海大学 | 一种面向水资源调度的计算模型构建方法 |
CN110472347B (zh) * | 2019-08-20 | 2022-10-14 | 河海大学 | 一种面向水资源调度的计算模型构建方法 |
US11762376B2 (en) | 2019-12-03 | 2023-09-19 | Industrial Technology Research Institute | Quick dispatching rule screening method and apparatus |
CN111820902A (zh) * | 2020-06-29 | 2020-10-27 | 北京科技大学 | 一种基于活动度特征的踝关节韧带损伤智能决策系统 |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及系统 |
CN112182709A (zh) * | 2020-09-28 | 2021-01-05 | 中国水利水电科学研究院 | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 |
CN112182709B (zh) * | 2020-09-28 | 2024-01-16 | 中国水利水电科学研究院 | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 |
CN113204583A (zh) * | 2021-04-14 | 2021-08-03 | 武汉大学 | 水库群调度决策行为挖掘方法和水库调度自动控制装置 |
CN113204583B (zh) * | 2021-04-14 | 2022-11-01 | 武汉大学 | 水库群调度决策行为挖掘方法和水库调度自动控制装置 |
CN113255903A (zh) * | 2021-05-21 | 2021-08-13 | 北京百度网讯科技有限公司 | 检测模型调整方法和装置 |
CN115879747A (zh) * | 2023-02-24 | 2023-03-31 | 南京恒创智云计算科技有限公司 | 一种数字化防汛抗旱调度方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109543912B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543912A (zh) | 基于深度学习的水库最优调度决策模型生成方法 | |
Papavasiliou et al. | Reserve requirements for wind power integration: A scenario-based stochastic programming framework | |
Krishnan et al. | Efficient database generation for decision tree based power system security assessment | |
Apostolopoulou et al. | Robust optimization for hydroelectric system operation under uncertainty | |
Li et al. | Toward cost-oriented forecasting of wind power generation | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
Tejada-Arango et al. | Representation of storage operations in network-constrained optimization models for medium-and long-term operation | |
CN108133279A (zh) | 风电功率概率预测方法、存储介质及设备 | |
CN107491643A (zh) | 一种确定设计洪峰流量的方法、装置及系统 | |
CN106251242A (zh) | 一种风电出力区间组合预测方法 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
CN109886488A (zh) | 考虑风速时滞性的分散式风电场分层混合短期预测方法 | |
Niknam et al. | Stochastic generation scheduling considering wind power generators | |
CN109816149A (zh) | 一种风电场随机出力场景生成方法及装置 | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
CN107563637B (zh) | 一种水电站发电调度近边界运行全景模糊风险分析方法 | |
CN109902178A (zh) | 一种多级文本分类方法及系统 | |
Subhani et al. | Particle swarm optimization with time varying acceleration coefficents for economic dispatch considering valve point loading effects | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
Kristiansen et al. | Multistage grid investments incorporating uncertainty in offshore wind development | |
CN110222361A (zh) | 一种风电场输出功率模拟方法及装置 | |
CN110210657A (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 | |
Nechaev et al. | Midterm hydrothermal generation scheduling using nonlinear dynamic programming |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |