CN110674460A - 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 - Google Patents
基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 Download PDFInfo
- Publication number
- CN110674460A CN110674460A CN201910872457.4A CN201910872457A CN110674460A CN 110674460 A CN110674460 A CN 110674460A CN 201910872457 A CN201910872457 A CN 201910872457A CN 110674460 A CN110674460 A CN 110674460A
- Authority
- CN
- China
- Prior art keywords
- model
- input
- type
- unit combination
- sequence
- 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 169
- 238000005516 engineering process Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims abstract description 13
- 241000288105 Grus Species 0.000 claims abstract description 7
- 238000009960 carding Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 239000010410 layer Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 18
- 239000002356 single layer Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 36
- 238000011160 research Methods 0.000 description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 238000005457 optimization Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 241000512668 Eunectes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法,1.梳理机组组合模型输入输出序列的类型与结构,形成机组组合弹性多序列映射型样本;2.以GRU为神经元构建基于E‑Seq2Seq技术的机组组合深度学习模型;3.对机组组合深度学习模型进行深度学习。相比于现有智能决策方法,本发明所公开的方法能够同时考虑多类型、多维度输入因素对机组组合决策的影响,而且还能够适应样本类型和维度的弹性变化,因而决策精度更高。
Description
技术领域
本发明属于电力系统及自动化研究领域,尤其是涉及深度学习智能算法的机组组合决策方法的研究。
背景技术
市场化的电力系统往往需要一个具有强大计算能力的独立电力市场运营机构(Independent System Operators,ISO)来实现市场监管,制定智能化、精细化的日前发电计划。而机组组合问题则是日前电力市场决策和发电计划编制的重要理论基础之一。近年来,随着诸如电动汽车、可再生能源、需求侧管理等能源新技术的大量应用,电力市场决策所面临的理论和技术挑战也层出不穷。因此,研究一种高效、精确且具有高适应性的机组组合智能决策方法具有重要的理论和实际意义。
目前对机组组合问题的研究主要集中在模型构建和算法研究方面,即首先结合工程实际提炼相应的数学模型,然后根据模型特点采用各种数学手段对其进行处理,最后再研究相应的求解算法。整个建模求解过程都是以严密的逻辑推导为基础,以数学理论为支撑,因而可以被称为基于物理模型驱动的机组组合决策方法。由于基于物理模型驱动的机组组合决策方法的提出往往是以机理研究为基础,因而其建模、求解过程都较为复杂,研究周期较长。而且其在面对不断涌现的新问题时往往需要对模型或算法进行重构,在当今能源变革日新月异的背景下,这种决策方法的适应性不高。
相比较而言,以人工智能技术为基础,提出一种基于数据驱动的机组组合智能决策方法是一种更为有效的新思路。与物理模型驱动的决策方法不同,该方法不研究机组组合的内在机理,而是基于深度学习方法,利用海量历史决策数据训练,直接构建已知输入量和决策结果间的映射关系。这种方法不仅可以大大简化机组组合问题建模、求解的过程和复杂度,还可以通过其自我学习和自我进化过程来应对不断涌现的各种理论问题和挑战。文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》引入长短时记忆网络(Long Short-Term Memory,LSTM)首次提出了一种基于数据驱动的机组组合智能决策方法,通过海量历史数据训练建立系统负荷-火电机组出力之间的单一映射模型,并证明了该方法的优越性和强大适应性。虽然文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》提出了一种全新的机组组合决策思路,证明了基于数据驱动的机组组合决策思路的可行性和有效性,但该方法仍然存在一定的局限性,主要体现在以下两个方面:(1)LSTM过于复杂,需要计算大量的参数才能实现深度学习模型的训练,在处理高维度的训练样本时,一方面需要大量的计算资源,导致计算效率不高;另一方面大量的参数计算可能会导致模型在训练过程中较早的出现过拟合现象,导致其决策精度不高。相比较而言,LSTM的改进型——GRU同样具备存储时序信息的能力,但不同的是GRU简化了LSTM中的内部结构,使其能够在降低模型复杂程度的同时还具有较高的预测精度。(2)在较长运行周期内,机组组合决策可能受到诸如:新技术的应用、气候、水电流域来水、机组检修计划、网架电源建设、电源退役等多种因素的影响,因此机组组合样本理论上应当包含多种类型的输入输出序列。通常这些输入输出序列的数据结构、量级、量纲、维度可能并不相同,而且有的输入输出序列类型是随着电力系统的发展而出现,有的输入输出序列维度会受到机组检修、退役等因素的影响而发生变化。因此,从总体上看,实际的机组组合数据构成的是一种序列类型和维度都可能动态变化的弹性多序列映射型样本,其很难直接导入到一个单一的深度学习模型中进行训练。事实上,文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》构建的就是一种单一结构的深度学习模型,其仅能处理单一负荷-火电机组出力这种单序列映射型样本,而对于实际的弹性多序列映射型样本则并不适用。由于文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》只能考虑系统负荷这一种输入因素的影响,因而在实际机组组合决策过程中其决策精度往往会受限。
近年来,有研究提出了一种Seq2Seq(Sequence to Sequence,Seq2Seq)技术,其核心思想是分别使用两个循环神经网络(Recurrent Neural Network,RNN)(LSTM、GRU均属于RNN)构成一个Encoder-Decoder复合神经网络架构,通过一个中间状态C的桥梁作用,实现对输入、输出序列的分步编码和解码操作。中间状态C可以完整保留输入序列到输出序列间的全部信息(包括类别信息)。从理论上来看,与具有单一结构的深度学习模型不同,基于Seq2Seq技术的复合神经网络不要求输入输出序列维度一致,因而是一种训练和处理单序列映射型样本的有效手段。但是,现有的Seq2Seq技术只有唯一的一个中间状态C,仅能处理单一序列对序列型映射样本,而对于机组组合这种包含多个输入输出序列类型的弹性多序列映射型样本,该方法尚不适用。
发明内容
本发明的目的是为了解决现有Seq2Seq技术仅能处理单一序列对序列型映射样本,这样在采用Seq2Seq技术对现有电力系统机组进行深度学习时,无法适用机组组合这种包含多个输入输出序列类型的弹性多序列映射型样本的技术问题。
基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,它包括以下步骤:
1)梳理机组组合模型输入输出序列的类型与结构,形成机组组合弹性多序列映射型样本;
2)以E-Seq2Seq技术为基础构建用于学习的机组组合映射样本的深度学习模型;
3)对机组组合深度学习模型进行训练并用于机组组合决策。
在步骤1)中,在样本生成和深度学习模型构建时对发电机组进行编号,并考虑规划周期内可能出现的最大发电机组数量,同时将影响输入输出序列维度的机组新建、退役、检修计划等纳入到输入序列之中。
在步骤1)中,根据系统内可能出现的最大输入、输出序列类型数确定最大的输入输出类型编号,对每一类输入输出序列赋予一个唯一编号,如果当前阶段某一输入、输出序列类型尚未出现,则对该类型序列置零处理。
在步骤2)、3)中,该深度学习模型是基于由E-Seq2Seq技术构建的,能够学习到机组组合多类型、多维度动态变化样本间的映射关系。通过海量机组组合历史数据的训练,最终形成机组组合映射模型。利用训练好的映射模型进行机组组合决策。
该深度学习模型由多个结构相同的单层神经网络构成,每个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成。
Encoder模型组是由多个Encoder模型构成,每一个类型的输入序列都有一个Encoder模型与之对应,一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入,然后得到与之对应的输入中间状态。
Encoder模型的功能是对相应类型的输入序列进行编码,并得到相应类型的输入中间状态向量,每类输入序列一般由多个输入行向量构成,以第i类输入序列中第k个向量编码得到的输入中间状态向量为例,其数学模型为:
式中:T表示序列的总时间步;表示编码第i类输入序列中的第k个向量得到的输入中间状态向量;表示第i类输入序列中的第k个向量在t时刻输入GRU的输入数据;f1表示将第i类输入序列的第k个向量转化为输入中间状态向量的过程函数。
全连接拓展层包括两层中间状态,分别为输入中间状态CEi和输出中间状态CDi,Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态,Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态,输入中间状态与输出中间状态之间构成一个全连接神经网络,从而实现Encoder-Decoder模型组间的信息传递。
Decoder模型组是由多个Decoder模型构成,每个Decoder模型执行与Encoder模型相反的操作,每一个类型的输出序列都有一个Decoder模型与之对应,一个Decoder模型将其对应类型的输出中间状态分步读出,形成最终的输出序列。
Decoder模型的功能是根据中间状态向量解码出相应类型的输出序列,解码第j类输出序列的数学模型为:
一种全连接拓展层,全连接拓展层与E-Seq2Seq技术中的Encoder模型组、Decoder模型组构成神经网络。全连接拓展层包括两层中间状态,分别为输入中间状态CEi和输出中间状态CDi,Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态,Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态,输入中间状态与输出中间状态之间构成一个全连接神经网络,从而实现Encoder-Decoder模型组间的信息传递。
全连接拓展层在与E-Seq2Seq技术中的Encoder模型组、Decoder模型组构成神经网络时,采用以下步骤:
1)将每个类型输入序列经编码处理得到的每一个输入中间状态向量堆栈成该类型的一个输入中间状态矩阵,实现该类型输入信息的融合,其中,第i类输入序列经编码处理得到的输入中间状态矩阵CEi的数学模型为:
式中:s表示第i个Encoder模型输入序列的行向量个数;CEi表示第i类输入序列经编码得到的输入中间状态矩阵;“′”表示矩阵的转置;
2)将与所有类型输入序列对应的输入中间状态矩阵再次进行堆栈处理,得到储存所有类型输入序列信息的中间状态大矩阵C,其数学模型为:
C=[CE1,...,CEi,...,CEm]′ (2)
式中:m表示一个Encoder模型组中共有m个Encoder模型;C表示储存所有类型输入序列信息的中间状态大矩阵;
3)将中间状态大矩阵C分解为与所有类型输出序列对应的输出中间状态矩阵[CD1,...,CDj,...,CDn]′,矩阵分解过程为线性变换,其数学模型为:
[CD1,...,CDj,...,CDn]′=W·C+b (3)
式中:n表示一个Decoder模型组中共有n个Decoder模型;CDj表示第j个输出中间状态矩阵;W表示线性变换的一次项系数(矩阵);b表示线性变换的常数项(矩阵),W、b的值均由深度学习模型训练得到;
4)将每个类型的输出中间状态矩阵分解为可用于Decoder模型解码的输出中间状态向量,矩阵分解过程为公式(1)堆栈的逆过程,以用于第j类输出序列解码的输出中间状态矩阵CDj为例,其数学模型为:
一种以GRU为神经元提出的基于E-Seq2Seq技术的深度学习模型,该深度学习模型由多个结构相同的单层神经网络构成,每个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成。
Encoder模型组是由多个Encoder模型构成,每一个类型的输入序列都有一个Encoder模型与之对应,一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入,然后得到与之对应的输入中间状态。
Encoder模型的功能是对相应类型的输入序列进行编码,并得到相应类型的输入中间状态向量,每类输入序列一般由多个输入行向量构成,以第i类输入序列中第k个向量编码得到的输入中间状态向量为例,其数学模型为:
式中:T表示序列的总时间步;表示编码第i类输入序列中的第k个向量得到的输入中间状态向量;表示第i类输入序列中的第k个向量在t时刻输入GRU的输入数据;f1表示将第i类输入序列的第k个向量转化为输入中间状态向量的过程函数。
全连接拓展层包括两层中间状态,分别为输入中间状态CEi和输出中间状态CDi,Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态,Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态,输入中间状态与输出中间状态之间构成一个全连接神经网络,从而实现Encoder-Decoder模型组间的信息传递。
Decoder模型组是由多个Decoder模型构成,每个Decoder模型执行与Encoder模型相反的操作,每一个类型的输出序列都有一个Decoder模型与之对应,一个Decoder模型将其对应类型的输出中间状态分步读出,形成最终的输出序列。
Decoder模型的功能是根据中间状态向量解码出相应类型的输出序列,解码第j类输出序列的数学模型为:
与现有方法相比,本发明具有以下优点和有益效果:
1)本发明以GRU为神经元构建了机组组合深度学习模型。与LSTM模型相比,其训练效率更高,且不易出现过拟合现象。
2)本发明提出了一种具有多重Encoder-Decoder架构和全连接拓展层的E-Seq2Seq技术。与采用单个中间状态和单一Encoder-Decoder架构的传统Seq2Seq技术相比,本发明方法能够有效处理弹性多序列映射型样本。
3)本发明结合GRU神经元提出了一种基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法。与传统基于数据驱动机组组合决策方法相比,本发明方法能够同时考虑多类型、多维度输入因素对机组组合决策的影响,而且还能够适应样本类型和维度的弹性变化,因而决策精度更高。
附图说明
图1是机组组合智能决策框架图;
图2是机组组合弹性多序列映射型样本示意图;
图3是机组组合序列类型变化的处理方式示意图;
图4是机组组合序列维度变化的处理方式示意图;
图5是基于E-Seq2Seq技术的机组组合深度学习模型结构示意图;
图6是GRU神经元内部结构示意图;
图7是全连接拓展层的设计结构示意图;
图8是弹性多序列映射型样本的生成及处理示意图;
图9是模型的训练误差示意图;
图10是机组出力方案的MAE值示意图;
图11是方法2、3求解的机组出力方案的MAE对比图。
具体实施方式
如图1所示,一种基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,它包括以下步骤:
1.梳理机组组合模型输入输出序列的类型与结构,形成机组组合弹性多序列映射型样本;
2.以GRU为神经元构建基于E-Seq2Seq技术的机组组合深度学习模型;
3.对机组组合深度学习模型进行深度学习。
关于机组组合样本的特征分析,它是一种弹性多序列映射型样本,其主要包含两个特征:1)这种样本的输入输出序列都不止一个,不同类型的输入输出序列的数据结构、量级、量纲、维度可能并不相同;2)在电力系统的长时间运行过程中,机组组合输入输出序列的类型和维度有可能是动态变化的。
传统适用于机组组合决策的深度学习模型没有考虑输入输出序列维度的动态变化特征。由机组组合训练样本的特征分析可知,在长期运行过程中,机组组合输入输出序列的维度有可能是动态变化的。因此,只有在样本生成和深度学习模型构建时对发电机组进行编号,并考虑规划周期内可能出现的最大发电机组数量,同时将影响输入输出序列维度的机组新建、退役、检修计划等作为输入序列,才能够有效保证本发明的机组组合决策方法在实际工程中的适用性。
2、机组组合样本的生成
为保证机组组合样本数据结构的一致性,需要对样本数据进行处理。
对序列类型变化问题,以图3为例,本发明采用的方法是根据系统内可能出现的最大输入、输出序列类型数确定最大的输入输出类型编号,对每一类输入输出序列赋予一个唯一编号。如果当前阶段某一输入、输出序列类型尚未出现,则对该类型序列置零处理。图中“#”表示矩阵中已填充数据;“0”表示因现阶段尚未出现该类型序列而置0处理。
对序列维度变化问题,本发明采用的方法是对该类型序列进行整体编码。以图4中火电机组出力为例,根据规划期内可能出现的最大火电机组数量来确定其出力矩阵的最大维度,然后对每一个火电机组赋予一个唯一编号。如果当前阶段火电机组因检修、退役、或尚未投产等原因没有运行,则对相应的行向量置零处理。图4中,火电机组出力矩阵中的每一个行向量表示一台火电机组在调度周期内的出力方案;A为规划周期内的最大火电机组数量(维度)。
在对机组组合深度学习模型进行训练之前,还需要对样本数据进行归一化处理,其主要目的是降低数据处理的复杂度,提升深度学习模型的训练效率。归一化的具体公式为:
构建基于E-Seq2Seq技术的机组组合深度学习模型,由多个结构相同的单层神经网络构成,其单层神经网络的具体结构如图5所示。
由图5可知,一个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成。图中m表示Encoder模型组中Encoder模型的数量,n表示Decoder模型组中Decoder模型的数量。
Encoder模型组是由多个Encoder模型构成,每一个类型的输入序列都有一个Encoder模型与之对应。一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入(编码),然后得到与之对应的输入中间状态(丢弃Encoder的输出序列hE)。
Encoder模型的功能是对相应类型的输入序列进行编码,并得到相应类型的输入中间状态向量。每类输入序列一般由多个输入行向量构成,以第i类输入序列中第k个向量编码得到的输入中间状态向量为例,其数学模型为:
式中:T表示序列的总时间步;Ck Ei表示编码第i类输入序列中的第k个向量得到的输入中间状态向量;表示第i类输入序列中的第k个向量在t时刻输入GRU的输入数据;f1表示将第i类输入序列的第k个向量转化为输入中间状态向量的过程函数。
全连接拓展层包括两层中间状态,分别为输入中间状态CEi和输出中间状态CDi。Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态。Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态。输入中间状态与输出中间状态之间构成一个全连接神经网络,从而实现Encoder-Decoder模型组间的信息传递。
Decoder模型组是由多个Decoder模型构成,每个Decoder模型执行与Encoder模型相反的操作。每一个类型的输出序列都有一个Decoder模型与之对应。一个Decoder模型将其对应类型的输出中间状态分步读出(解码),形成最终的输出序列hD。
Decoder模型的功能是根据中间状态向量解码出相应类型的输出序列。以解码第j类输出序列为例,其数学模型为:
每一个Encoder、Decoder模型都是一个包含多个GRU神经元的网络,即:每一个Encoder、Decoder模型均根据对应类型序列的维度设置相应个数的GRU,从而实现对多维输入输出序列的训练。
引入GRU神经元构成机组组合深度学习模型的基础单元,其内部结构如图6所示。
图6为t时刻GRU神经元的内部结构。Ct表示GRU状态信息,当前时刻GRU状态信息将传递到下一时刻神经元中。每一个GRU除接收输入数据xt外还接收上一时刻GRU的输出ht-1、上一时刻GRU的状态Ct-1(ht-1=Ct-1)。不同时刻GRU间信息传递共享,以保证输出数据的时序性特征。GRU中重置门rt、更新门zt、待更新单元以及GRU的输出ht、GRU状态Ct与输入xt间的数学关系为:
式中:·表示矩阵中元素点乘;*表示矩阵相乘;[]表示将多个向量连接;Wr、Wz、Wh、表示输入参数的权重值;br、bz、bh、表示各输入参数的偏置值;σ表示sigmoid函数;tanh表示双曲正切函数。
设计了全连接拓展层的结构,具体结构如图7所示。
全连接拓展层首先将每个类型输入序列经编码处理得到的每一个输入中间状态向量堆栈成该类型的一个输入中间状态矩阵,实现该类型输入信息的融合。以第i类输入序列经编码处理得到的输入中间状态矩阵CEi为例,其数学模型为:
式中:s表示第i个Encoder模型输入序列的行向量个数;CEi表示第i类输入序列经编码得到的输入中间状态矩阵;“′”表示矩阵的转置。
然后将与所有类型输入序列对应的输入中间状态矩阵再次进行堆栈处理,得到储存所有类型输入序列信息的中间状态大矩阵C,其数学模型为:
C=[CE1,...,CEi,...,CEm]′ (5)
式中:m表示一个Encoder模型组中共有m个Encoder模型;C表示储存所有类型输入序列信息的中间状态大矩阵。
接着将中间状态大矩阵C分解为与所有类型输出序列对应的输出中间状态矩阵[CD1,...,CDj,...,CDn]′。矩阵分解过程为线性变换,其数学模型为:
[CD1,...,CDj,...,CDn]′=W·C+b (6)
式中:n表示一个Decoder模型组中共有n个Decoder模型;CDj表示第j个输出中间状态矩阵;W表示线性变换的一次项系数(矩阵);b表示线性变换的常数项(矩阵),W、b的值均由深度学习模型训练得到。
最后将每个类型的输出中间状态矩阵分解为可用于Decoder模型解码的输出中间状态向量。矩阵分解过程为公式(4)堆栈的逆过程。以用于第j类输出序列解码的输出中间状态矩阵CDj为例,其数学模型为:
实施例:
为验证本发明方法的正确性和有效性,分别采用以下3种方法对本发明算例进行求解,并对其计算结果进行对比分析。
方法1:文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》的方法,即基于单一LSTM结构的数据驱动型机组组合决策方法;
方法2:基于单一GRU结构的数据驱动型机组组合决策方法;
方法3:基于E-Seq2Seq技术,提出的基于复合GRU结构的数据驱动型机组组合智能决策方法,即本发明方法。
本章节的MAE值均是以文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究,水火电优化调度建模与算法研究》方法求解的机组组合决策结果(机组组合样本数据)为基础计算得到。即以文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究,水火电优化调度建模与算法研究》方法求解的机组组合决策结果作为真实值来评估本发明方法的求解精度。
软硬件配置情况:
操作系统:Win7 64bit。硬件:CPU i5-7500;GPU GTX-1070ti;运行内存8G DDR4。软件:Matlab 2016a;Anaconda3—基于Python 3.6.8(64bit)环境,采用Keras平台,使用Tensorflow-gpu2.2.4作为后端(使用GPU训练深度学习模型),并使用Spyder作为代码编辑器。
机组组合弹性多序列映射型样本:
1)机组组合弹性多序列映射型样本的生成
负荷数据来源于湖南电网2014-2016年的1096个负荷样本数据(采样时间间隔为1小时),在上述原始数据基础上等比例缩小0.6倍;风速信息来源于文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究》;水域流量信息来源于文献《水火电优化调度建模与算法研究》;检修信息是按照检修较大机组的原则编制,若检修则置1,反之置0。
为模拟电力系统在较长时间内的动态发展过程,本发明以IEEE118节点系统为基础设计算例,包含三个阶段。每一个阶段参与运行的发电机组类型和个数并不相同,第一阶段系统内仅有火电机组发电,输入为负荷,输出为火电机组出力;第二阶段新增了5台火电机组,而且还新投运了一批水电、风电机组,此时输入为负荷、水域流量、风速,输出为火电、水电、风电机组出力;第三阶段陆续有火电和水电机组开始按计划检修,此时输入为负荷、水域流量、风速、检修计划,输出为火电、水电、风电机组出力。相较于第二阶段,第三阶段检修10台火电机组,检修2台水电机组。三个阶段下各机组接入系统情况具体如表1所示。
表1三个阶段下各机组接入系统情况
以文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究,水火电优化调度建模与算法研究》方法为基础,使用Matlab R2016a软件分别针对上述三个阶段编写机组组合决策程序,并基于Cplex工具包进行求解,从而生成上述三个阶段的机组组合输出序列样本。
2)机组组合弹性多序列映射型样本的处理
本发明机组组合弹性多序列映射型样本的生成及处理过程如图8所示。首先将机组组合弹性多序列映射型样本数据进行归一化处理,然后在总样本(共1096个)中随机挑选1036个样本作为训练样本,剩下的60个样本作为测试样本(60个测试样本中,1-19号为第一阶段测试样本;20-36号为第二阶段测试样本;37-60为第三阶段测试样本)。
机组组合深度学习模型的网络参数配置:
通过大量仿真测试发现,按照表2设置深度学习模型的网络参数时,本发明建立的深度学习模型能够快速收敛,并且决策精度较高。
表2机组组合深度学习模型的参数配置情况
一、本发明方法的过程性仿真验证
利用机组组合训练样本对机组组合深度学习模型进行训练,其最佳训练迭代次数Epochs=700。随训练迭代次数增加,各类型机组出力的训练误差MAE变化情况如图9所示,
由图9可知:本发明建立的深度学习模型能够快速收敛,并且收敛曲线下降趋势良好,表明模型的参数与网络选取得当。图9中火电机组出力的训练误差总是大于水电机组,而风电机组出力的训练误差最小。
其原因在于:1)就输入序列类型而言,三个阶段中,影响火电机组出力的输入序列类型变化较大,影响风电机组出力的输入序列类型变化最小,因而三类发电机组中,火电机组出力的训练误差曲线下降速度最慢且最终的训练误差最大,风电机组出力的训练误差曲线下降速度最快且最终训练误差最小;2)就输出序列维度而言,三个阶段中,火电机组的检修最为频繁,因而火电机组数量变化较大,所以其训练误差最大;而风电机组在投运后暂时还未安排检修计划,因此风电机组出力的训练误差最小。
本发明的深度学习模型训练完成后,利用测试数据进行机组组合决策,以MAE值来衡量本发明方法决策结果与真实值之间的差距。对于所有测试样本,本发明方法求解的各类型机组出力方案的MAE值如图10所示。本发明方法决策的调度成本与真实调度成本间的差值比例见表3。
表3本发明方法求解的调度成本差值占比情况
由图10和表3可知,与后两个阶段相比,第一阶段各类型机组出力的决策误差和系统运行成本都较小。其原因是,在第一阶段,系统尚无水电、风电机组投运,结构相对简单,影响机组组合决策的输入因素较少。此时,在训练资源一定的情况下,深度学习模型更容易取得更高的决策精度。但是,对于三个阶段的所有测试样本而言,三类发电机组中最高平均绝对误差为0.971MW,占该类机组最大出力的0.24%;决策成本的差值比例最高为5.89%,最低为0.00%,平均为0.89%。这表明,总体而言,本发明方法能够适应电力系统不同发展阶段的动态变化情况,对不同阶段下输入输出序列类型和维度不断变化的机组组合问题,本发明方法都能保持较强的适应性与较高的决策精度。
为验证本发明方法的计算效率,将本发明方法对每个样本的平均决策时间和文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究,水火电优化调度建模与算法研究》方法进行对比,具体结果如表4所示。
表4本发明方法与文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究,水火电优化调度建模与算法研究》方法的决策耗时情况
由表4可知,文献《基于改进约束序优化方法的带安全约束的不确定性机组组合问题研究,水火电优化调度建模与算法研究》在第一阶段的平均决策时间最短,第二阶段最长。其原因是,基于物理模型驱动的机组组合决策方法的决策效率和决策模型的结构和复杂度直接相关。第一个阶段仅有火电机组参与决策,因而所建立的机组组合模型较为简单,求解时间相对较短;而第二阶段所涉及的机组组合输入变量的类型和机组数量最多,因而模型最为复杂,求解耗时最长。而本发明方法在三个阶段的决策时间差距并不大,也没有明显的规律性。其原因是,深度学习模型决策过程本质上是直接将输入序列输入到已训练好的神经网络,然后通过网络计算直接得出决策结果,故而决定决策时间的因素仅来源于网络结构本身,而与机组组合输入输出序列的结构无关。总体而言,与传统基于物理模型驱动的机组组合决策方法相比,本发明方法的求解效率普遍提升了约20倍。其原因是,与物理模型需要逐步迭代求解不同,本发明方法可以直接根据输入信息和深度学习模型直接给出决策方案,计算效率更高。
由此可见,就计算效率而言,与传统基于物理模型驱动的机组组合决策方法相比,本发明方法对于不同阶段下不同类型的机组组合问题,都能够保持较高的计算效率。
二、本发明引入GRU的有效性验证
方法1和方法2采用的都是基于单一神经网络结构的深度学习模型,仅能处理单一类型的输入输出序列。由于第一阶段的样本数据构成的是负荷-火电机组出力的单输入单输出映射关系,因此,为验证本发明引入GRU的有效性,采用第一阶段的机组组合样本数据对方法1与方法2的深度学习模型进行训练和测试。其训练时间、决策时间和决策结果的精度对比如表5所示。表中的决策时间为19个测试样本决策时间的总和;平均调度功率MAE表示19个测试样本对应的机组出力决策MAE的平均值。两种方法除采用的神经网络不同外其余网络结构、参数均相同。
表5方法1与方法2的求解时间与决策精度
表5可知,在训练次数增加的过程中,每训练100次,方法2的训练时间普遍比方法1短130s,方法2的决策时间普遍比方法3短0.05s。其原因是,GRU的内部结构比LSTM简单,网络参数较少,故而模型的训练和决策速度都较快。就决策精度而言,当训练次数较低时,方法2的决策精度低于方法1;随着训练次数的增加,方法2的决策精度提升速度更快;当训练次数超过700,方法2的决策精度高于方法1;但是,当训练次数超过800,方法1的决策精度将会出现不升反降的情况。其原因是,LSTM内部参数较多导致方法1的深度学习模型较为复杂,因此较少的训练次数能够达到较高的决策精度。而复杂的深度学习模型在不断训练过程中会尽可能去覆盖全部样本特征,最终导致模型在训练过程中较早的出现过拟合现象。由此可见,本发明引入GRU来替代文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》的LSTM,从而构造机组组合深度学习模型的策略是正确而有效的。
三、本发明方法引入E-Seq2Seq技术的必要性和有效性验证
从理论上来看,类似于方法1、方法2这种基于单一神经网络结构的深度学习模型只能够实现对单一类型输入输出序列的训练和决策,也就是说,这类方法无法同时考虑负荷、水域流量、风速、检修计划等不同类型的输入序列,也无法同时决策出火电、水电、风电等不同类型发电机组的出力方案。但是为了进一步验证本发明方法引入E-Seq2Seq技术的必要性和有效性,以火电机组出力为例,将方法2与方法3的决策结果进行对比。方法2与方法3均采用三个阶段的机组组合样本进行训练和决策,但方法2的样本仅考虑负荷-火电机组出力的单一映射关系。为保证对比的客观性,在训练误差曲线收敛目标一致的情况下对上述两种方法进行比较分析。方法2、3求解所得机组出力方案的MAE对比情况如图11所示。
由图11可知,对于本发明算例三个阶段下所有的测试样本而言,方法3的决策精度始终高于方法2。其原因是,方法2建立的是负荷-火电出力这种单输入单输出的映射关系。而事实上,随着系统的发展,本发明算例中影响机组组合决策的输入因素也在不断增加。在第一个阶段负荷是影响火电机组出力决策的唯一输入因素,而随着水电、风电机组在第二、三阶段陆续投运,机组组合还需考虑水域流量、风速、检修信息等更多的输入因素。因此,在这种情况下,方法2很难保证其决策精度。与方法2不同,方法3能够充分考虑电力系统发展过程中,机组组合输入输出序列类型和维度动态变化的情况,构建面向弹性多序列型样本的深度学习模型,从而有效保证在不同发展阶段下机组组合的决策精度。
此外,即便在机组组合输入因素仅为负荷的第一阶段,方法2的决策误差相对于其他两个阶段依然没有变低。这是由于方法2是利用三个阶段的所有训练样本进行训练,所得的映射模型必然是面向这三个阶段的折中解。这就导致在第一阶段,虽然实际的机组组合问题确实属于负荷-火电出力的单输入单输出映射关系,但方法2依然无法取得较高的决策精度。
综上所述,本发明以GRU为神经元构建了机组组合深度学习模型,与文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》采用的LSTM模型相比,其训练效率更高,且不易出现过拟合现象;另外,本发明提出了一种具有多重Encoder-Decoder架构和全连接拓展层的E-Seq2Seq技术,并在此基础上,结合GRU神经元提出了一种基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法。与文献《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》的方法相比,本发明方法能够实现对机组组合弹性多序列映射型样本的训练决策,其适应性和精确性都更高。
Claims (10)
1.基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于,它包括以下步骤:
1)梳理机组组合模型输入输出序列的类型与结构,形成机组组合弹性多序列映射型样本;
2)以E-Seq2Seq技术为基础构建用于学习的机组组合映射样本的深度学习模型;
3)对机组组合深度学习模型进行训练并用于机组组合决策。
2.根据权利要求1所述的基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于:在步骤1)中,在样本生成和深度学习模型构建时对发电机组进行编号,并考虑规划周期内可能出现的最大发电机组数量,同时将影响输入输出序列维度的机组新建、退役、检修计划等纳入到输入序列之中。
3.根据权利要求1或2所述的基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于:在步骤1)中,根据系统内可能出现的最大输入、输出序列类型数确定最大的输入输出类型编号,对每一类输入输出序列赋予一个唯一编号,如果当前阶段某一输入、输出序列类型尚未出现,则对该类型序列置零处理。
4.根据权利要求1所述的基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于:在步骤2)和3)中,该深度学习模型是基于由E-Seq2Seq技术构建的,能够学习到机组组合多类型、多维度动态变化样本间的映射关系,通过海量机组组合历史数据的训练,最终形成机组组合映射模型,利用训练好的映射模型进行机组组合决策。
5.根据权利要求1所述的基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于:该深度学习模型由多个结构相同的单层神经网络构成,每个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成,Encoder模型组是由多个Encoder模型构成,每一个类型的输入序列都有一个Encoder模型与之对应,一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入,然后得到与之对应的输入中间状态。
7.根据权利要求5所述的基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于:全连接拓展层包括两层中间状态,分别为输入中间状态CEi和输出中间状态CDi,Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态,Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态,输入中间状态与输出中间状态之间构成一个全连接神经网络,从而实现Encoder-Decoder模型组间的信息传递。
8.根据权利要求5至7其中之一所述的基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法,其特征在于:Decoder模型组是由多个Decoder模型构成,每个Decoder模型执行与Encoder模型相反的操作,每一个类型的输出序列都有一个Decoder模型与之对应,一个Decoder模型将其对应类型的输出中间状态分步读出,形成最终的输出序列,
Decoder模型的功能是根据中间状态向量解码出相应类型的输出序列,解码第j类输出序列的数学模型为:
9.一种全连接拓展层,其特征在于,全连接拓展层与E-Seq2Seq技术中的Encoder模型组、Decoder模型组构成神经网络,全连接拓展层包括两层中间状态,分别为输入中间状态CEi和输出中间状态CDi,Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态,Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态,输入中间状态与输出中间状态之间构成一个全连接神经网络,从而实现Encoder-Decoder模型组间的信息传递。
10.一种以GRU为神经元提出的基于E-Seq2Seq技术的深度学习模型,其特征在于:该深度学习模型由多个结构相同的单层神经网络构成,每个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成,Encoder模型组是由多个Encoder模型构成,每一个类型的输入序列都有一个Encoder模型与之对应,一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入,然后得到与之对应的输入中间状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872457.4A CN110674460B (zh) | 2019-09-16 | 2019-09-16 | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872457.4A CN110674460B (zh) | 2019-09-16 | 2019-09-16 | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674460A true CN110674460A (zh) | 2020-01-10 |
CN110674460B CN110674460B (zh) | 2023-04-07 |
Family
ID=69077960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910872457.4A Active CN110674460B (zh) | 2019-09-16 | 2019-09-16 | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674460B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634620A (zh) * | 2020-12-24 | 2021-04-09 | 东南大学 | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
CN114488217A (zh) * | 2021-12-24 | 2022-05-13 | 中国人民解放军战略支援部队航天工程大学 | 基于深度学习的高轨卫星cei信号频率估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0934863A (ja) * | 1995-07-14 | 1997-02-07 | Hitachi Ltd | ニューラルネットワークによる情報統合処理方法 |
CN108321795A (zh) * | 2018-01-19 | 2018-07-24 | 上海交通大学 | 基于深度确定性策略算法的发电机组启停配置方法及系统 |
CN109558805A (zh) * | 2018-11-06 | 2019-04-02 | 南京邮电大学 | 基于多层深度特征的人体行为识别方法 |
-
2019
- 2019-09-16 CN CN201910872457.4A patent/CN110674460B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0934863A (ja) * | 1995-07-14 | 1997-02-07 | Hitachi Ltd | ニューラルネットワークによる情報統合処理方法 |
CN108321795A (zh) * | 2018-01-19 | 2018-07-24 | 上海交通大学 | 基于深度确定性策略算法的发电机组启停配置方法及系统 |
CN109558805A (zh) * | 2018-11-06 | 2019-04-02 | 南京邮电大学 | 基于多层深度特征的人体行为识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634620A (zh) * | 2020-12-24 | 2021-04-09 | 东南大学 | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
CN114488217A (zh) * | 2021-12-24 | 2022-05-13 | 中国人民解放军战略支援部队航天工程大学 | 基于深度学习的高轨卫星cei信号频率估计方法 |
CN114488217B (zh) * | 2021-12-24 | 2022-11-18 | 中国人民解放军战略支援部队航天工程大学 | 基于深度学习的高轨卫星cei信号频率估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110674460B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Catalao et al. | An artificial neural network approach for short-term wind power forecasting in Portugal | |
CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
CN105160423A (zh) | 一种基于马尔科夫残差修正的光伏发电预测方法 | |
CN102129511B (zh) | 一种基于matlab的风电场短期风速预测系统 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN109615146A (zh) | 一种基于深度学习的超短时风功率预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN113393119B (zh) | 基于场景缩减-深度学习的梯级水电短期调度决策方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN115528750A (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN115456286A (zh) | 一种短期光伏功率预测方法 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
Yang et al. | BP-GA mixed algorithms for short-term load forecasting | |
CN107563573A (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200110 Assignee: Hubei Yunzhihang Drone Technology Co.,Ltd. Assignor: CHINA THREE GORGES University Contract record no.: X2023980044730 Denomination of invention: A data-driven intelligent decision-making method for unit commitment based on E-Seq2Seq technology Granted publication date: 20230407 License type: Common License Record date: 20231027 |
|
EE01 | Entry into force of recordation of patent licensing contract |