CN113095642A - 梯级水电计划编制方法、系统、设备及存储介质 - Google Patents
梯级水电计划编制方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113095642A CN113095642A CN202110342403.4A CN202110342403A CN113095642A CN 113095642 A CN113095642 A CN 113095642A CN 202110342403 A CN202110342403 A CN 202110342403A CN 113095642 A CN113095642 A CN 113095642A
- Authority
- CN
- China
- Prior art keywords
- hydropower
- prediction data
- cascade hydropower
- day
- cascade
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000015654 memory Effects 0.000 claims abstract description 37
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/04—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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统自动化领域,公开了一种梯级水电计划编制方法、系统、设备及存储介质,包括以下步骤:获取待编制日的梯级水电预测数据;将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。本发明梯级水电计划编制方法,不需要研究电网运行的内在机理,基于深度学习方法,构建表征梯级水电预测数据和梯级水电计划间映射关系的梯级水电计划深度学习模型,和传统基于物理模型驱动的调度计划编制方法相比,在面对互联大电网的复杂计算问题时,其适应性更高,有望为实际电力调度系统应对各种复杂因素和突发状况的影响提供一种新的解决思路。
Description
技术领域
本发明属于电力系统自动化领域,涉及一种梯级水电计划编制方法、系统、设备及存储介质。
背景技术
在实际电网中,梯级水电由于涉及到电网负荷、水情和多个电站,具有多阶段、带时滞、非线性等特点,且物理约束复杂且为非线性,同时,随着电站数目的增多,以及为获取更高精度解而不断增加时段状态变量离散数,进一步使得计算时间呈指数增加,导致梯级水电计划方法难以求解。
目前,梯级水电计划的求解一般有传统优化算法和智能算法两种。传统优化算法以运筹学和最优化理论为基础,发展和应用较为成熟,但需要线性化处理非线性目标函数和约束条件,弱化了梯级水电站间的水力耦合关系及问题本身的复杂性,求解精度受损。智能算法结构灵活、映射能力强,可直接求解多维、非连续、非线性等复杂优化问题,在梯级水电站群优化调度应用中表现出优良性,但存在收敛性能、速度无法保证的等问题。
发明内容
本发明的目的在于克服上述现有技术中,现有梯级水电计划的求解精度低,求解速度慢的缺点,提供一种梯级水电计划编制方法、系统、设备及存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
本发明第一方面,一种梯级水电计划编制方法,包括以下步骤:
获取待编制日的梯级水电预测数据;
将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
本发明梯级水电计划编制方法进一步的改进在于:
所述梯级水电预测数据包括水电预测负荷以及各个梯级水电站的预测来水数据。
所述水电预测负荷以及各个梯级水电站的预测来水数据包括96个时段的水电预测负荷以及各个梯级水电站的96个时段的预测来水数据,所述96个时段通过将一天均分为96个时段得到。
所述将待编制日的梯级水电预测数据,输入由历史梯级水电数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型中的具体方法为:通过预设的聚类算法确定待编制日的梯级水电预测数据的类别,将待编制日的梯级水电预测数据,输入由相同类别的历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
所述聚类算法为K-means聚类算法。
所述通过预设的聚类算法确定待编制日的梯级水电预测数据的类别的具体方法为:通过预设的聚类算法,得到待编制日的梯级水电预测数据与预设的各类别的历史梯级水电预测数据的聚类中心之间的距离,确定待编制日的梯级水电预测数据的类别为距离最短的历史梯级水电预测数据的类别。
所述由历史梯级水电预测数据训练长短时记忆网络模型的具体方法为:
获取若干历史梯级水电预测数据及各历史梯级水电预测数据对应的历史梯级水电计划;通过预设的聚类算法,将若干历史梯级水电预测数据分为若干类别;分别通过各类别的历史梯级水电预测数据及对应的历史梯级水电计划,训练预设的长短时记忆网络模型。
本发明第二方面,一种梯级水电计划编制系统,包括:
获取模块,用于获取待编制日的梯级水电预测数据;以及
编制模块,用于将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
本发明第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述梯级水电计划编制方法的步骤。
本发明第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述梯级水电计划编制方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明梯级水电计划编制方法,通过获取待编制日的梯级水电预测数据,然后将待编制日的梯级水电预测数据直接输入梯级水电计划深度学习模型中,即可得到待编制日的梯级水电计划,整个编制过程简单易行。其中,梯级水电计划深度学习模型由历史梯级水电预测数据训练长短时记忆网络模型得到,基于长短时记忆网络模型的使用,使得该梯级水电计划编制方法具有自我进化和自我学习能力,不需要研究电网运行的内在机理,基于深度学习方法,通过构建表征梯级水电预测数据和梯级水电计划间映射关系的梯级水电计划深度学习模型,基于该模型进行梯级水电计划编制,和传统基于物理模型驱动的调度计划方法相比,在面对互联大电网的复杂计算问题时,其适应性更高,有望为实际电力调度系统应对各种复杂因素和突发状况的影响提供一种新的解决思路。
附图说明
图1为本发明实施例的梯级水电计划编制方法流程框图;
图2为本发明实施例的LSTM模型的结构原理图;
图3为本发明实施例的梯级水电计划编制系统结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明一个实施例中,提供一种梯级水电计划编制方法,实质上是一种基于数据驱动的梯级水电计划编制方法,不研究电网运行的内在机理,而是基于深度学习方法,利用通过海量历史决策数据训练构建已知输入量和决策结果间的映射关系,得到梯级水电计划深度学习模型,进而基于获取的待编制日的梯级水电预测数据,得到待编制日的梯级水电计划,在面对互联大电网的复杂计算问题时,其适应性更高,有望为实际电力调度系统应对各种复杂因素和突发状况的影响提供一种新的解决思路。
具体的,该梯级水电计划编制方法包括以下步骤:
S1:获取待编制日的梯级水电预测数据。
优选的,本实施例中,获取的待编制日的梯级水电预测数据包括水电预测负荷以及各个梯级水电站的预测来水数据,但不以此为限,也可以按照实际的需要增加其他的梯级水电预测数据,比如各个梯级水电站的运行状态等。
其中,待编制日的水电预测负荷以及各个梯级水电站的预测来水数据均可以通过计划编制部门提供。
具体的,各个梯级水电站的预测来水数据包括各个梯级水电站的96个时段的预测来水数据,所述96个时段通过将一天均分为96个时段得到,分别获取各个时段的预测来水数据。按照上述的方式,设梯级水电站有N个,那么待编制日的梯级水电预测数据就是一个96×(1+N)维的时序向量。
S2:将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型中,进而得到待编制日的梯级水电计划。
其中,将待编制日的梯级水电预测数据,输入由历史梯级水电数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型中的具体方法为:通过预设的聚类算法确定待编制日的梯级水电预测数据的类别,将待编制日的梯级水电预测数据,输入由相同类别的历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
通过上述的分析可知,待编制日的梯级水电预测数据是一个96×(1+N)维的时序向量,其具有较高的维度,难以直接通过物理模型进行优化。因此,首先通过预设的聚类算法确定待编制日的梯级水电预测数据的类别,具体的,通过预设的聚类算法确定待编制日的梯级水电预测数据的类别的具体方法为:通过预设的聚类算法,得到待编制日的梯级水电预测数据与预设的各类别的历史梯级水电预测数据的聚类中心之间的距离,确定待编制日的梯级水电预测数据的类别为距离最短的历史梯级水电预测数据的类别。
本实施例中所选用的聚类算法为K-means聚类算法,但不以此为限,本领域技术人员应当知晓,具有相同功能的聚类算法均可替代使用。具体的,通过K-means聚类算法,得到待编制日的梯级水电预测数据与预设的各类别的历史梯级水电预测数据的聚类中心之间的距离,即待编制日的梯级水电预测数据与各类别的历史梯级水电预测数据的聚类中心之间的欧氏距离,该欧氏距离可由式所述的欧氏函数计算得到:
其中,PLti、PLtj为第i日和第j日的时段t的水电预测负荷,PCtni、VCtnj为第i日和第j日的水电厂n在时段t的预测来水数据。第i日为待编制日,第j日为各类别的历史梯级水电预测数据的聚类中心所对应的日期。
其中,本实施例中创新性的采用长短时记忆网络模型作为初始的模型框架结构。具体的,梯级水电计划属于调度方法,其一旦用于实际,往往会积累大量结构化的历史数据,且从长期来看,梯级水电计划也具有一定的重复性,而且还是模型计算和人工修正结合的结果,这些历史数据通过深度学习后,能够对未来的梯级水电计划编制具有指导意义,可知这种采用基于数据驱动的梯级水电计划编制方式具有较大的优势。具体的,将一个梯级水电预测数据xi及其对应的梯级水电计划Pi作为一个映射样本,在一个映射样本中,单台发电机PGi与xi的关系可用函数PGi=f(xi,t)描述。深度学习的过程,就是通过积累海量的历史映射样本数据,并对初始的深度学习模型进行训练,从而得到可以描述Pi与xi之间映射关系的梯级水电计划深度学习模型。
同时,发明人考虑到深度学习起源于人工神经网络,其模型通常由多层非线性运算单元组合而成。它将较低层的输出作为更高一层的输入,通过这种方式自动地从大量训练数据中学习抽象的特征表示,以发现数据的分布式特征,深度学习已在人工智能领域取得一系列突破,发展出了包括卷积神经网络(convolutionalneural network,CNN)、深度置信网络(deep belief network,DBN)、堆栈自编码网络(stacked auto-encoder,SAE)等在内的多种模型。但是,由于以上几种模型中,每层的节点相互独立,仅能处理时序不相关数据,而对于计划编制和时间序列紧密相关,上述模型并不适用。
而传统神经网络结构不同,循环神经网络(recurrent neural network,RNN)的每个神经元都可以按照数据的时序进行展开,即一组输入序列当前的输出与前一时刻的隐藏层输出有关,因此被成功用于处理时序相关数据。但是,由于在面对序列较长的训练数据时,RNN会出现梯度消失问题,而梯级水电计划的数据的时间序列一般为96维,因此如果直接利用RNN构建输入量和决策结果间的映射关系,精度方面难以保证。LSTM(long short-term memory,长短时记忆网络)模型作为RNN的一种改进型,在神经网络模块中添加了记忆单元、输入门、输出门以及遗忘门,进而实现模型对重要信息的记忆,有效解决了RNN由于数据序列过长导致模型训练过程中梯度消失的问题。因此,本本实施例中以LSTM为基础来构建梯级水电计划深度学习模型。
参见图2,详细描绘了LSTM模型的结构原理,LSTM模型通过3个门来保护和控制存储单元中的信息,这些信息由激活函数的点乘⊙来实现,通过梯度下降训练一系列参数来控制每个门的状态。LSTM模型中的每一个门都有一个特定且独特的功能,其中,遗忘门ft从先前的状态Ct-1中决定丢弃哪些信息,输入xt和ht-1经过更新门ut运算后,与修正过的遗忘门ft一块决定更新状态Ct应该用候选状态多少权重。为了生成输出ht,首先使用非线性的g2函数过滤它的当前状态,然后与输出门ot运算后一块输出ht,其中返回部分状态ht作为下次输入ht-1。每一个门都依赖于当前的外部输入xt和之前的输出ht-1。具体的,LSTM模型的更新状态方程如下式所示:
式中:xt为t时刻的输入向量;Wxf,Wxu,Wxo,Wxc是与输入向量xt相关的遗忘门、更新门、输出门和候选状态的权重矩阵;Whf,Whu,Who,Whc为隐层状态向量ht的遗忘门、更新门、输出门和候选状态的权重矩阵;而bf,bu,bo,bc为遗忘门、更新门、输出门和候选状态的偏置向量;激活函数σ为sigmoid函数;·为点乘,Ct是时刻t的细胞状态(记忆单元),为候选状态,tanh为整合信息。
根据上述的LSTM模型的更新状态方程,通过历史梯级水电预测数据训练LSTM模型,得到梯级水电计划深度学习模型。
其中,通过历史梯级水电预测数据训练LSTM模型的具体方法为:
S201:获取若干历史梯级水电预测数据及各历史梯级水电预测数据对应的历史梯级水电计划。
具体的,通过查阅梯级水电站的历史数据库,得到若干历史梯级水电预测数据,以及各历史梯级水电预测数据所对应的历史梯级水电计划,这里的对应表示各历史梯级水电预测数据当天采用的历史梯级水电计划。
S202:通过预设的聚类算法,将若干历史梯级水电预测数据分为若干类别。
具体的,梯级水电预测数据的分类与传统的分类过程不同,该类过程是在样本(历史梯级水电预测数据)容量大且数据类别不明确的情况下,对数据进行快速分类。本实施例中,采用K-means聚类算法,算法通过衡量样本集内不同样本间的相似度来对样本进行划分,最终将相似度高的样本归为一簇。为了对样本进行划分,需要定义能够描述样本间差异的函数。本实施例中采用用于计算两个样本间的欧氏距离的欧氏函数作为描述样本间差异的函数,欧氏距离越短,表示两个样本差异越小。
K-means聚类算法首先确定聚类中心个数K并对其初始化,通过计算样本与初始设定的K个聚类中心uk的欧氏距离,将样本划分到距离最近的聚类中心所属的簇中,其目标函数如下所示:
其中,aik为二进制变量,表示xi是否属于当前聚类中心,L为畸变函数,M为样本个数。通过降低L,当其达到最小时,能够实现以当前聚类中心为基准的样本聚类。
由此可以得到聚类中心的更新公式,具体如下所示:
由上式可知,聚类中心的更新是通过该聚类中心所属簇中所有样本求取均值而实现的。将所有样本针对新生成的聚类中心进行重新聚类,当聚类中心不再变化时,K-means聚类算法收敛,得到最终的样本簇和各样本簇的聚类中心,每个样本簇代表历史梯级水电预测数据的一个类别。
S203:分别通过各类别的历史梯级水电预测数据及对应的历史梯级水电计划,训练预设的长短时记忆网络模型。
具体的,通过各类别的历史梯级水电预测数据分别进行长短时记忆网络模型的训练,以长短时记忆网络模型的输出结果与实际结果(历史梯级水电预测数据对应的历史梯级水电计划)之间的差距,不断的修正长短时记忆网络模型各层的参数,训练至输出结果与实际结果之间的差距满足预设的要求,得到各类别的历史梯级水电预测数据相对应的梯级水电计划深度学习模型。
最终,将确定类别的待编制日的梯级水电预测数据,输入由相同类别的历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,通过梯级水电计划深度学习模型输出待编制日的梯级水电计划。
综上所述,本发明梯级水电计划编制方法,通过获取待编制日的梯级水电预测数据,然后将待编制日的梯级水电预测数据直接输入梯级水电计划深度学习模型中,即可得到待编制日的梯级水电计划,整个编制过程简单易行。其中,梯级水电计划深度学习模型由历史梯级水电预测数据训练长短时记忆网络模型得到,基于长短时记忆网络模型的使用,使得该梯级水电计划编制方法具有自我进化和自我学习能力,不需要研究电网运行的内在机理,基于深度学习方法,通过构建表征梯级水电预测数据和梯级水电计划间映射关系的梯级水电计划深度学习模型,基于该模型进行梯级水电计划编制,和传统基于物理模型驱动的调度计划方法相比,在面对互联大电网的复杂计算问题时,其适应性更高,有望为实际电力调度系统应对各种复杂因素和突发状况的影响提供一种新的解决思路。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
参见图3,本发明再一个实施例中,提供一种梯级水电计划编制系统,能够用于实现上述实施例中的梯级水电计划编制方法,具体的,该梯级水电计划编制系统包括:获取模块以及编制模块。
其中,获取模块用于获取待编制日的梯级水电预测数据;编制模块用于将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
优选的,编制模块包括类别确定模块以及输入模块。其中,类别确定模块用于通过预设的聚类算法确定待编制日的梯级水电预测数据的类别,具体的,通过预设的聚类算法,得到待编制日的梯级水电预测数据与预设的各类别的历史梯级水电预测数据的聚类中心之间的距离,确定待编制日的梯级水电预测数据的类别为距离最短的历史梯级水电预测数据的类别。输入模块用于将待编制日的梯级水电预测数据,输入由相同类别的历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于梯级水电计划编制方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关梯级水电计划编制方法的相应步骤。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种梯级水电计划编制方法,其特征在于,包括以下步骤:
获取待编制日的梯级水电预测数据;
将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
2.根据权利要求1所述的梯级水电计划编制方法,其特征在于,所述梯级水电预测数据包括水电预测负荷以及各个梯级水电站的预测来水数据。
3.根据权利要求2所述的梯级水电计划编制方法,其特征在于,所述水电预测负荷以及各个梯级水电站的预测来水数据包括96个时段的水电预测负荷以及各个梯级水电站的96个时段的预测来水数据,所述96个时段通过将一天均分为96个时段得到。
4.根据权利要求1所述的梯级水电计划编制方法,其特征在于,所述将待编制日的梯级水电预测数据,输入由历史梯级水电数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型中的具体方法为:
通过预设的聚类算法确定待编制日的梯级水电预测数据的类别,将待编制日的梯级水电预测数据,输入由相同类别的历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
5.根据权利要求4所述的梯级水电计划编制方法,其特征在于,所述聚类算法为K-means聚类算法。
6.根据权利要求4所述的梯级水电计划编制方法,其特征在于,所述通过预设的聚类算法确定待编制日的梯级水电预测数据的类别的具体方法为:
通过预设的聚类算法,得到待编制日的梯级水电预测数据与预设的各类别的历史梯级水电预测数据的聚类中心之间的距离,确定待编制日的梯级水电预测数据的类别为距离最短的历史梯级水电预测数据的类别。
7.根据权利要求1所述的梯级水电计划编制方法,其特征在于,所述由历史梯级水电预测数据训练长短时记忆网络模型的具体方法为:
获取若干历史梯级水电预测数据及各历史梯级水电预测数据对应的历史梯级水电计划;
通过预设的聚类算法,将若干历史梯级水电预测数据分为若干类别;
分别通过各类别的历史梯级水电预测数据及对应的历史梯级水电计划,训练预设的长短时记忆网络模型。
8.一种梯级水电计划编制系统,其特征在于,包括:
获取模块,用于获取待编制日的梯级水电预测数据;以及
编制模块,用于将待编制日的梯级水电预测数据,输入由历史梯级水电预测数据训练长短时记忆网络模型得到的梯级水电计划深度学习模型,得到待编制日的梯级水电计划。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述梯级水电计划编制方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述梯级水电计划编制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342403.4A CN113095642A (zh) | 2021-03-30 | 2021-03-30 | 梯级水电计划编制方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342403.4A CN113095642A (zh) | 2021-03-30 | 2021-03-30 | 梯级水电计划编制方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095642A true CN113095642A (zh) | 2021-07-09 |
Family
ID=76671445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110342403.4A Pending CN113095642A (zh) | 2021-03-30 | 2021-03-30 | 梯级水电计划编制方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095642A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811061B1 (en) * | 2001-05-18 | 2017-11-07 | The Energy Authority, Inc. | Method for management and optimization of hydropower generation and consumption |
CN108470249A (zh) * | 2018-03-16 | 2018-08-31 | 大连理工大学 | 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法 |
CN111027775A (zh) * | 2019-12-12 | 2020-04-17 | 中国长江三峡集团有限公司 | 基于长短期记忆网络的梯级水电站发电量预测方法 |
CN111709550A (zh) * | 2020-05-07 | 2020-09-25 | 中国电力科学研究院有限公司 | 一种基于深度学习的联络线计划编制方法及系统 |
CN112116130A (zh) * | 2020-08-24 | 2020-12-22 | 长江水利委员会长江科学院 | 一种基于可变结构深度学习框架的短期调度规则提取方法 |
-
2021
- 2021-03-30 CN CN202110342403.4A patent/CN113095642A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811061B1 (en) * | 2001-05-18 | 2017-11-07 | The Energy Authority, Inc. | Method for management and optimization of hydropower generation and consumption |
CN108470249A (zh) * | 2018-03-16 | 2018-08-31 | 大连理工大学 | 一种耦合聚类分析和决策树的梯级水电站群短期发电调度方法 |
CN111027775A (zh) * | 2019-12-12 | 2020-04-17 | 中国长江三峡集团有限公司 | 基于长短期记忆网络的梯级水电站发电量预测方法 |
CN111709550A (zh) * | 2020-05-07 | 2020-09-25 | 中国电力科学研究院有限公司 | 一种基于深度学习的联络线计划编制方法及系统 |
CN112116130A (zh) * | 2020-08-24 | 2020-12-22 | 长江水利委员会长江科学院 | 一种基于可变结构深度学习框架的短期调度规则提取方法 |
Non-Patent Citations (1)
Title |
---|
朱敏等: "基于人工神经网络的梯级水电厂日优化运行", 《电力系统自动化》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN109685252B (zh) | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 | |
CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN112488452B (zh) | 一种基于深度强化学习的能源系统管理多时间尺度最优决策方法 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN111709550A (zh) | 一种基于深度学习的联络线计划编制方法及系统 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
Ghanbari et al. | Multivariate time-series prediction using LSTM neural networks | |
Zaman et al. | Wind speed forecasting using ARMA and neural network models | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN110598947A (zh) | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 | |
Na et al. | A novel heuristic artificial neural network model for urban computing | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 | |
Lee et al. | Wind prediction based on general regression neural network | |
Shopov et al. | Identification of non-linear dynamic system | |
CN116502774A (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
Xu et al. | Application of GMDH to short-term load forecasting | |
CN113095642A (zh) | 梯级水电计划编制方法、系统、设备及存储介质 | |
CN115619563A (zh) | 一种基于神经网络的股票价格分析方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |