CN116227180A - 基于数据驱动的机组组合智能决策方法 - Google Patents

基于数据驱动的机组组合智能决策方法 Download PDF

Info

Publication number
CN116227180A
CN116227180A CN202310130706.9A CN202310130706A CN116227180A CN 116227180 A CN116227180 A CN 116227180A CN 202310130706 A CN202310130706 A CN 202310130706A CN 116227180 A CN116227180 A CN 116227180A
Authority
CN
China
Prior art keywords
unit combination
data
output
unit
daily load
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
Application number
CN202310130706.9A
Other languages
English (en)
Inventor
龙云
梁雪青
刘璐豪
卢有飞
吴任博
张扬
赵宏伟
陈明辉
张少凡
邹时容
蔡燕春
刘璇
汪希玥
柯德平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310130706.9A priority Critical patent/CN116227180A/zh
Publication of CN116227180A publication Critical patent/CN116227180A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

发明涉及电力系统及自动化研究领域，为基于数据驱动的机组组合智能决策方法，该方法包括：S1、基于电力系统的历史日负荷数据生成机组组合历史数据的映射样本，对电力系统的历史日负荷数据进行归一化处理；S2、基于长短时记忆网络与注意力机制构建机组组合深度学习模型；S3、基于机组组合历史数据的映射样本对机组组合深度学习模型进行训练；S4、将日负荷数据输入机组组合深度学习模型，输出预期的机组组合启停与出力方案。本发明基于长短时记忆网络与注意力机制构建机组组合深度学习模型，可以在数据积累过程中，不断更新训练，实现模型进化，对新的问题的适应能力较强，实时输出机组组合智能决策快。

Description

基于数据驱动的机组组合智能决策方法
技术领域
本发明涉及电力系统及自动化研究领域，具体涉及基于数据驱动的机组组合智能决策方法。
背景技术
机组组合问题是电力系统运行和电力市场清算的关键技术之一，用于得到电力系统机组开停机方案和计划出力曲线，方便日前计划的制定。
目前针对机组组合问题，现有技术采用的方法可大致分为传统建模方法以及智能优化方法，其中，传统的建模方法的重点在于完善机组组合模型，如引入更多的决策变量，更复杂、精确的约束条件，使得模型最大限度地贴合电力系统的实际情况，以满足系统运行日益增长的精细化要求。再以数学理论为支撑，选择合适算法求解模型，可以被称为基于物理模型驱动的解决方法。
然而，随着现代电力系统的发展，大规模不确定电源的接入、需求侧响应的发展，基于物理模型驱动的方法需要针对不同情景修改模型求解，面对新的理论问题时，有时甚至要引入新的理论方法对数学模型、算法进行修正或重构，不同模型不同建模，结果依赖于建模精度适用性较低。基于物理模型驱动的方法也忽视了历史数据和历史决策方案的意义，模型和算法一旦确定，在长期使用过程中对新的问题的适应能力较差。
发明内容
为解决现有技术所存在的技术问题，本发明提供基于数据驱动的机组组合智能决策方法，基于长短时记忆网络与注意力机制构建机组组合深度学习模型，可以在数据积累过程中，不断更新训练，实现模型进化，具有更好的模型拟合能力，对新的问题的适应能力较强，实时输出机组组合智能决策快。
本发明可以通过采取如下技术方案达到：
基于数据驱动的机组组合智能决策方法，所述方法包括：
S1、基于电力系统的历史日负荷数据生成机组组合历史数据的映射样本，对电力系统的历史日负荷数据进行归一化处理；
S2、基于长短时记忆网络与注意力机制构建机组组合深度学习模型；
S3、基于机组组合历史数据的映射样本对机组组合深度学习模型进行训练；
S4、将日负荷数据输入机组组合深度学习模型，输出预期的机组组合启停与出力方案。
优选的技术方案中，所述步骤S1包括：
S11、基于电力系统的历史日负荷数据，搭建机组组合方案的数学模型，通过求解器求解得到电力系统的不同时刻的机组启停值、最优出力值；
S12、将一个时刻的电力系统的日负荷数据和机组启停值、最优出力值作为一个映射样本。
优选的技术方案中，所述机组组合深度学习模型为基于长短时记忆网络构成的编码器-解码器结构，使用注意力机制对中间信息的处理方法，编码器负责对输入信息进行特征提取，注意力机制通过编码器与解码器信息交互，帮助对编码器信息进行再加工，解码器负责将所有信息进行反向处理，得到预期的输出序列
优选的技术方案中，所述步骤S2包括：
S21、将日负荷数据样本数据按照时间顺序，分步读入编码器架构中；
S22、采用注意力机制对编码器中间信息进行处理，作为解码器的新输入；
S23、解码器执行与编码器相反的操作，结合编码器信息与注意力机制得到的信息，按照时间步分布解码，形成最终的输出序列。
优选的技术方案中，所述步骤S3包括：
S31、解码器在k时刻的输入不取上一个LSTM神经元的输出，选取样本输出；
S32、机组组合深度学习模型输入并进行前向传播，对于调度出力输出选用均方误差MSE作为损失函数，对于机组启停方案输出选用二分类交叉熵BCE作为损失函数；
S33、网络反向传播回传相关误差，计算损失函数对于各参数的梯度，对权重参数W和偏置参数b进行更新。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明提供基于数据驱动的机组组合智能决策方法，通过对电力系统的历史日负荷数据，构建已知输入量日负荷数据和机组组合决策结果间的映射关系，基于长短时记忆网络与注意力机制构建机组组合深度学习模型，可以在数据积累过程中，不断更新训练，实现自我进化，相比数学模型方法或无模型的数据更新可帮助模型进化，对新的问题的适应能力较强，实时输出机组组合智能决策快。
2、通过结合注意力机制，打破中间信息瓶颈，使得模型性能提升，相比其它数据驱动模型，具有更好的模型拟合能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明实施例中的基于数据驱动的机组组合智能决策方法的流程图；
图2是本发明实施例中的LSTM神经网络架构图；
图3是本发明实施例中的出力训练损失函数图；
图4是本发明实施例中的机组1出力决策结果对比图；
图5是本发明实施例中的总机组出力决策结果对比图。
具体实施方式
下面将结合附图和实施例，对本发明技术方案做进一步详细描述，显然所描述的实施例是本发明一部分实施例，而不是全部的实施例，本发明的实施方式并不限于此。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，都属于本发明保护的范围。
实施例1：
基于数据驱动的方法通过不断积累的历史数据，挖掘负荷数据与机组组合方案的映射关系，在训练过程中不涉及内在机理与具体的物理建模，只要能保证样本容量和质量，对模型进行不断的修正和训练，可以拟合任意的机组组合决策模型，因而适用性较高。
如图1所示，基于数据驱动的机组组合智能决策方法的流程图，本发明所述的基于数据驱动的机组组合智能决策方法，包括以下步骤：
S1、基于电力系统的历史日负荷数据生成机组组合历史数据的映射样本，电力系统的历史日负荷数据进行归一化处理。
S11、基于电力系统的历史日负荷数据，搭建机组组合方案的数学模型，通过求解器求解得到电力系统的不同时刻的机组启停值、最优出力值。具体地，将电力系统中所有节点在t时刻的负荷构成时序向量PL，作为神经网络训练的样本输入。
Figure BDA0004083688950000031
其中，Pt L为t时刻的输入负荷向量，
Figure BDA0004083688950000041
为t时刻节点i的负荷，为非负连续变量。T为时段总数，m为负荷节点总数。
搭建机组组合方案的，将历史日负荷数据输入混合整数线性规划模型，利用Cplex求解器求解得到电力系统中不同时刻的所有机组启停值、最优出力值。电力系统中t时刻的所有机组启停值、最优出力值构成时序向量UG，PG作为后面步骤中神经网络训练的样本输出。
S12、将一个时刻的电力系统的的日负荷数据和机组启停值、最优出力值作为一个映射样本，即将一个日负荷数据PL以及机组组合方案(UG,PG)作为一个映射样本。
Figure BDA0004083688950000042
Figure BDA0004083688950000043
其中，Ut G为t时刻的输出机组启停向量，Pt G为t时刻的输出机组出力向量，
Figure BDA0004083688950000044
为t时刻机组i的启停状态，为0-1变量，/>
Figure BDA0004083688950000045
为t时刻机组i的出力，为非负连续变量，n为机组总数。
本实施例中，电力系统的历史日负荷数据可以来源于BPA Balancing AuthorityLoad and Total VER的2019年数据，通过搭建机组组合的混合整数线性规划模型，在matlab环境下实现，并利用Cplex求解器求解，生成一年的机组组合映射样本。
具体地，采用z-zero方法对历史日负荷数据进行归一化处理，归一化处理如下式所示：
Figure BDA0004083688950000046
其中，μ，σ分别为原始数据集的均值和方差，x就是输入的日负荷数据，x*为归一化后的历史日负荷数据。对输入每个节点的负荷数据进行了归一化处理，可以避免不同类型数据的数量级与静态偏置以及对神经网络训练的影响。
S2、基于长短时记忆网络与注意力机制构建机组组合深度学习模型
具体地，机组组合深度学习模型是基于长短时记忆网络构成的编码器-解码器结构，使用注意力机制对中间信息的处理方法，编码器负责对输入信息进行特征提取，注意力机制通过编码器与解码器信息交互，帮助对编码器信息进行再加工，解码器负责将所有信息进行反向处理，得到预期的输出序列。
长短时记忆网络(LSTM)是基于循环神经网络(RNN)改善的结构模型，解决了一般的RNN存在的长序列遗忘问题，对在捕获时间序列依赖关系方面表现出了强大的潜力。LSTM神经网络架构图，如图2所示。
S21、将日负荷数据样本数据PL按照时间顺序，分步读入编码器架构中，编码器负责对输入信息进行特征提取，得到神经网络中每个神经元的隐藏层状态，作为注意力机制交互的信息基础以及解码器的初始隐藏层状态。其在t时刻的LSTM神经元隐藏层状态ht与记忆单元状态ct由t-1时刻的LSTM神经元隐藏层状态ht-1、记忆单元状态ct-1与输入t时刻日负荷Pt L共同决定，可以描述为：
ht＝f(ht-1,ct-1,Pt L)
ct＝g(ht-1,ct-1,Pt L)
在LSTM网络中，该函数关系由遗忘门ft、输入门it、输出门Ot、待更新记忆单元状态
Figure BDA0004083688950000052
状态决定，遗忘门决定是否保留记忆单元之前的信息，遗忘门的输出为：
ft＝σ(WxfPt L+Whfht-1+bf)
其中，σ为sigmoid激活函数，Wxf为遗忘门的输入量权重系数矩阵，Whf为遗忘门的隐藏层状态权重系数矩阵，bf为遗忘门的偏置参数。
输入门、输出门与待更新记忆单元状态更新与遗忘门类似：
it＝σ(WxiPt L+Whiht-1+bi)
ot＝σ(WxoPt L+Whoht-1+bo)
Figure BDA0004083688950000051
其中，tanh为双曲正切函数，作为激活函数，Wxi、Wxo、Wxc分别为输入门、输出门与待更新记忆单元的输入量权重系数矩阵，Whi、Who、Whc分别为输入门、输出门与待更新记忆单元的隐藏层状态权重系数矩阵，bi、bo、bc分别为输入门、输出门与待更新记忆单元的偏置参数。
因此，t时刻的隐藏层状态与记忆单元状态ct为：
Figure BDA0004083688950000061
Figure BDA0004083688950000062
其中，遗忘门ft、输入门it、输出门Ot、待更新记忆单元状态
Figure BDA0004083688950000063
Figure BDA0004083688950000064
表示哈达玛积。
编码器最后一层的隐藏层状态与记忆单元状态作为编码器的整体信息H、C，即
H＝hT
C＝CT
其中，hT、CT为编码器最后一层的隐藏层状态与记忆单元状态，即编码器获得的输入序列的整体信息，将作为解码器初始隐藏层状态与记忆单元状态。
S22、采用注意力机制对编码器中间信息进行处理，作为解码器的新输入。注意力机制通过编码器与解码器信息交互，帮助对编码器信息进行再加工，得到解码器的部分新输入。解码器与编码器架构类似，在k时刻的LSTM神经元对应有隐藏层状态hk。解码器隐藏层状态与编码器隐藏层状态进行注意力得分计算如下：
Figure BDA0004083688950000065
其中，
Figure BDA0004083688950000066
为注意力机制中的值系数，W1为编码器注意力系数，W2为解码器注意力系数。经过打分后求出编码器各个时刻隐藏层状态对k时刻解码器隐藏层状态的权重系数，并进行加权和得到新的文本信息conk
Figure BDA0004083688950000067
Figure BDA0004083688950000068
S23、解码器执行与编码器相反的操作，结合编码器信息H、C与注意力机制得到的信息conk，按照时间步分布解码，形成最终的输出序列Y＝[y1,y2,...,yk,...,yT]。解码器负责将所有信息进行反向处理，得到预期的输出序列。其中k时刻的LSTM神经元输入为：
xk-1＝concat(yk-1,conk-1)
其中，yk-1为解码器k-1时刻解码的输出向量，conk-1为k时刻编码器与k-1时刻解码器隐藏层状态经过注意力机制得到的信息文本。
其中concat为拼接函数。解码器初始隐藏层状态与记忆单元状态与编码器最后一层相同，即h0＝H、c0＝C，同编码器类似，k时刻的解码器神经元隐藏状态与记忆单元状态由xk、hk-1、ck-1共同决定，解码器输出yk由隐藏层状态经过转换函数得到，可以描述为：
yk＝F(hk)
hk＝f(hk-1,ck-1,xk)
ck＝g(hk-1,ck-1,xk)
其中的函数关系f、g与编码器相同。
其中，xk为k时刻的解码器LSTM神经元输入，hk-1为解码器k-1时刻的神经元隐藏层状态与记忆单元状态。(与编码器中的含义类似，只是下标从t变成k，为了区分编码器与解码器的时间步)。
S3、基于机组组合历史数据的映射样本对机组组合深度学习模型进行训练。
S31、强制教学，解码器在k时刻的输入不取上一个LSTM神经元的输出，选取样本输出，可以避免训练过程中，输出序列的连续错误输出对训练效果的影响。即
Figure BDA0004083688950000071
其中，xk为k时刻的解码器LSTM神经元输入，conk-1为k时刻编码器与k-1时刻解码器隐藏层状态经过注意力机制得到的信息文本。根据需要解码输出序列的不同，
Figure BDA0004083688950000072
为样本中k-1时刻的输出机组启停向量，/>
Figure BDA0004083688950000073
为样本中k-1时刻的输出机组出力向量。
S32、机组组合深度学习模型输入并进行前向传播，对于调度出力输出选用均方误差MSE作为损失函数，其公式如下：
Figure BDA0004083688950000074
其中，
Figure BDA0004083688950000075
为样本中k时刻的输出机组出力向量，yk为模型k时刻的输出向量。
对于机组启停方案输出选用二分类交叉熵BCE作为损失函数，其公式如下：
Figure BDA0004083688950000076
其中，
Figure BDA0004083688950000077
为样本中k时刻的输出机组启停值，yk为模型k时刻的输出向量。模型对机组启停与出力进行共同训练，综合两者的损失函数如下：
C＝(MSE+BCE)/2
S33、网络反向传播回传相关误差，计算损失函数对于各参数的梯度，对权重参数W和偏置参数b进行更新，从而实现模型的训练。
利用Adam算法对LSTM模型的权重系数和偏置参数进行修正，具体如下：
Figure BDA0004083688950000081
Figure BDA0004083688950000082
其中，W为LSTM模型中各门间权重系数矩阵以及注意力机制系数矩阵；b为LSTM模型中偏置参数的集合，C为t时刻对应的损失函数值，β1、β2为衰减因子，vt为梯度带权有偏方差，mt为梯度带权平均值。通过不断重复训练，各权重系数不断修正以实现整体架构的训练。
S4、将日负荷数据输入机组组合深度学习模型，输出预期的机组启停与出力方案。通过机组组合深度学习模型，输入预测的日负荷数据可以实现机组调度方案在线决策。
本实施例中，相关仿真计算以及训练过程可以在英特尔酷睿i5-10400处理器/2.90GHz，16G内存计算机上实现。数据生成，历史日负荷数据可以来源于BPA BalancingAuthority Load and Total VER的2019年数据，可以通过搭建机组组合的混合整数线性规划模型，在matlab环境下实现，并利用Cplex求解器求解，生成一年的机组组合映射样本。模型搭建、训练和测试在基于Pytorch后端的深度学习框架下实现。IEEE30节点系统，该系统有6台常规机组。图3(左)为训练过程中的损失函数曲线，损失函数值越小，说明模型与真实样本输出的值越接近，体现了模型拟合能力。图3(右)为训练过程中模型输出的机组启停值与样本输出对比得到的准确率。
在测试集上对模型结果进行验证如下：对于6台机组启停决策，由表1可以看出对于某日全时段必开、必停机组1-3，启停状态的决策准确率达到100％，对于需要日内启停安排的机组4-6最低启停准确率达到96.6％。整体决策正确率达到98.47％。如图4、5所示，部分机组出力决策与最优出力结果对比，可以看出数据驱动的方式能够很好地拟合机组组合的决策模型，具有较高的适用性。
机组启停决策准确率，如表1所示：
表1
机组编号 平均启停准确率
1、2、3 100％
4 96.7％
5 97.5％
6 96.6％
将本发明与文献《基于改进的Transformer神经网络辅助的两阶段机组组合决策方法》中提到的不同数据驱动模型方法针对相同算例与等量数量级样本进行性能对比如表2。本方法在训练时间与决策精度之间取得较好的平衡效果，尽管BP神经网络在30节点网络具有较高决策精度，但其在高纬度特征下易陷入局部极值，且训练时长。相比无注意力机制的LSTM网络结构，本方法在增加注意力机制后，通过牺牲部分计算资源与时间，机组决策精度增加，得到更好的性能提升。在更大节点的算例中，其优势性将会更加明显。不同方法性能对比，如表2所示。
表2
方法 训练时间/s 决策精度
BP 7544 99.2％
ELM 1322 97.3％
CNN 5640 96.2％
LSTM(无注意力机制) 5990 96.4％
本发明 6380 98.47％
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于数据驱动的机组组合智能决策方法，其特征在于，包括以下步骤：
S1、基于电力系统的历史日负荷数据生成机组组合历史数据的映射样本，对电力系统的历史日负荷数据进行归一化处理；
S2、基于长短时记忆网络与注意力机制构建机组组合深度学习模型；
S3、基于机组组合历史数据的映射样本对机组组合深度学习模型进行训练；
S4、将日负荷数据输入机组组合深度学习模型，输出预期的机组组合启停与出力方案。
2.根据权利要求1所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述步骤S1包括：
S11、基于电力系统的历史日负荷数据，搭建机组组合方案的数学模型，通过求解器求解得到电力系统的不同时刻的机组启停值、最优出力值；
S12、将一个时刻的电力系统的日负荷数据和机组启停值、最优出力值作为一个映射样本。
3.根据权利要求1所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述对电力系统的历史日负荷数据进行归一化处理，包括采用z-zero方法对历史日负荷数据进行归一化处理，归一化处理如下式所示：
Figure FDA0004083688940000011
其中，μ，σ分别为原始数据集的均值和方差，x就是输入的日负荷数据，x*为归一化后的历史日负荷数。
4.根据权利要求1所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述机组组合深度学习模型为基于长短时记忆网络构成的编码器-解码器结构，使用注意力机制对中间信息的处理方法，编码器负责对输入信息进行特征提取，注意力机制通过编码器与解码器信息交互，帮助对编码器信息进行再加工，解码器负责将所有信息进行反向处理，得到预期的输出序列。
5.根据权利要求1所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述步骤S2包括：
S21、将日负荷数据样本数据按照时间顺序，分步读入编码器架构中；
S22、采用注意力机制对编码器中间信息进行处理，作为解码器的新输入；
S23、解码器执行与编码器相反的操作，结合编码器信息与注意力机制得到的信息，按照时间步分布解码，形成最终的输出序列。
6.根据权利要求1所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述步骤S3包括：
S31、解码器在k时刻的输入不取上一个LSTM神经元的输出，选取样本输出；
S32、机组组合深度学习模型输入并进行前向传播，对于调度出力输出选用均方误差MSE作为损失函数，对于机组启停方案输出选用二分类交叉熵BCE作为损失函数；
S33、网络反向传播回传相关误差，计算损失函数对于各参数的梯度，对权重参数W和偏置参数b进行更新。
7.根据权利要求6所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述均方误差MSE的公式为：
Figure FDA0004083688940000021
其中，Pk G为样本中k时刻的输出机组出力向量，yk为模型k时刻的输出向量；
所述二分类交叉熵BCE的公式为：
Figure FDA0004083688940000022
其中，Uk G为样本中k时刻的输出机组启停值，yk为模型k时刻的输出向量。
8.根据权利要求6所述的基于数据驱动的机组组合智能决策方法，其特征在于，所述步骤S33包括：利用Adam算法对LSTM模型的权重系数和偏置参数进行修正，公式如下：
Figure FDA0004083688940000023
Figure FDA0004083688940000024
其中，W为LSTM模型中各门间权重系数矩阵以及注意力机制系数矩阵；b为LSTM模型中偏置参数的集合，C为t时刻对应的损失函数值，β1、β2为衰减因子，vt为梯度带权有偏方差，mt为梯度带权平均值。
CN202310130706.9A 2023-02-17 2023-02-17 基于数据驱动的机组组合智能决策方法 Pending CN116227180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310130706.9A CN116227180A (zh) 2023-02-17 2023-02-17 基于数据驱动的机组组合智能决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310130706.9A CN116227180A (zh) 2023-02-17 2023-02-17 基于数据驱动的机组组合智能决策方法

Publications (1)

Publication Number Publication Date
CN116227180A true CN116227180A (zh) 2023-06-06

Family

ID=86570919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310130706.9A Pending CN116227180A (zh) 2023-02-17 2023-02-17 基于数据驱动的机组组合智能决策方法

Country Status (1)

Country Link
CN (1) CN116227180A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116526582A (zh) * 2023-06-29 2023-08-01 南方电网数字电网研究院有限公司 基于人工智能联合驱动的电力机组组合调度方法与系统
CN116562168A (zh) * 2023-06-09 2023-08-08 岳阳融盛实业有限公司 一种基于深度学习的电力信息化数据挖掘系统及其方法
CN118228948A (zh) * 2024-05-27 2024-06-21 山东大学 基于深度学习与数学物理模型的机组组合决策方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562168A (zh) * 2023-06-09 2023-08-08 岳阳融盛实业有限公司 一种基于深度学习的电力信息化数据挖掘系统及其方法
CN116562168B (zh) * 2023-06-09 2024-05-14 岳阳融盛实业有限公司 一种基于深度学习的电力信息化数据挖掘系统及其方法
CN116526582A (zh) * 2023-06-29 2023-08-01 南方电网数字电网研究院有限公司 基于人工智能联合驱动的电力机组组合调度方法与系统
CN116526582B (zh) * 2023-06-29 2024-03-26 南方电网数字电网研究院有限公司 基于人工智能联合驱动的电力机组组合调度方法与系统
CN118228948A (zh) * 2024-05-27 2024-06-21 山东大学 基于深度学习与数学物理模型的机组组合决策方法及系统

Similar Documents

Publication Publication Date Title
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
Wang et al. A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction
CN110245801A (zh) 一种基于组合挖掘模型的电力负荷预测方法及系统
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN116227180A (zh) 基于数据驱动的机组组合智能决策方法
Quilodrán-Casas et al. Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic
CN111079931A (zh) 一种基于图神经网络的状态空间概率性多时间序列预测方法
Dehghani et al. Adaptive network reliability analysis: Methodology and applications to power grid
CN112988851B (zh) 反事实预测模型数据处理方法、装置、设备及存储介质
CN112396231B (zh) 针对时空数据的建模方法、装置、电子设备及可读介质
CN110210656B (zh) 基于站点行为分析的共享单车流量预测方法及系统
CN111861013A (zh) 一种电力负荷预测方法及装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Jin et al. Deep‐learning prediction model with serial two‐level decomposition based on Bayesian optimization
CN116502774B (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
CN113360848A (zh) 一种时序数据预测方法及装置
CN113326966A (zh) 基于ceemd-lstm的综合能源系统多元负荷预测方法
Yang et al. An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting
Li et al. Deep reliability learning with latent adaptation for design optimization under uncertainty
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Zhou et al. Functional networks and applications: A survey
CN113920379B (zh) 一种基于知识辅助的零样本图像分类方法
Liu et al. Multi-stage residual life prediction of aero-engine based on real-time clustering and combined prediction model
Fan et al. A multi-stage ensemble model for power load forecasting based on decomposition, error factors, and multi-objective optimization algorithm

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liang Xueqing

Inventor after: Cai Yanchun

Inventor after: Liu Xuan

Inventor after: Wang Xiyue

Inventor after: Ke Deping

Inventor after: Liu Luhao

Inventor after: Lu Youfei

Inventor after: Wu Renbo

Inventor after: Zhang Yang

Inventor after: Zhao Hongwei

Inventor after: Chen Minghui

Inventor after: Zhang Shaofan

Inventor after: Zou Shirong

Inventor before: Long Yun

Inventor before: Zou Shirong

Inventor before: Cai Yanchun

Inventor before: Liu Xuan

Inventor before: Wang Xiyue

Inventor before: Ke Deping

Inventor before: Liang Xueqing

Inventor before: Liu Luhao

Inventor before: Lu Youfei

Inventor before: Wu Renbo

Inventor before: Zhang Yang

Inventor before: Zhao Hongwei

Inventor before: Chen Minghui

Inventor before: Zhang Shaofan