CN116526582B - 基于人工智能联合驱动的电力机组组合调度方法与系统 - Google Patents
基于人工智能联合驱动的电力机组组合调度方法与系统 Download PDFInfo
- Publication number
- CN116526582B CN116526582B CN202310781236.2A CN202310781236A CN116526582B CN 116526582 B CN116526582 B CN 116526582B CN 202310781236 A CN202310781236 A CN 202310781236A CN 116526582 B CN116526582 B CN 116526582B
- Authority
- CN
- China
- Prior art keywords
- power system
- unit combination
- scheduling
- system unit
- short
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 230000015654 memory Effects 0.000 claims description 129
- 238000013507 mapping Methods 0.000 claims description 117
- 238000012549 training Methods 0.000 claims description 77
- 230000006870 function Effects 0.000 claims description 40
- 210000002569 neuron Anatomy 0.000 claims description 35
- 230000007787 long-term memory Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 230000006403 short-term memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
Abstract
本申请涉及一种基于人工智能联合驱动的电力机组组合调度方法与系统,其中,方法包括:获取电力系统机组组合运行期望数据;根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型;将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。整个方案可以实现高效的电力系统机组组合调度。
Description
技术领域
本申请涉及电力系统技术领域,特别是涉及一种基于人工智能联合驱动的电力机组组合调度方法、系统、计算机设备以及存储介质。
背景技术
安全约束机组组合(SCUC)是电网公司、独立系统运营商或区域输电组织在日常电力市场中必须完成的重要日常任务之一,也是发电公司优化竞价策略的重要工具之一,用于得到电力系统机组开停机方案,方便日前计划的制定。
传统针对机组组合问题,现有技术采用的方法可大致分为常规的建模方法以及智能优化方法,其中,常规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。
SCUC具有高维、非凸、离散、非线性的特点,在数学上是一个NP-hard问题,因此难以在有限时间内求得最优解。大量的故障态安全约束以及海量的0-1整数变量更导致SCUC问题的规模变得非常庞大,对这样一个大规模问题进行数值求解将会非常耗时。在大规模电力系统中,基于物理模型的机组组合求解方法会出现“维数灾”的问题,导致无法快速生成机组组合调度,也就无法实现高效的电力系统机组组合调度。
发明内容
基于此,有必要针对上述技术问题,提供一种高效的基于人工智能联合驱动的电力机组组合调度方法、系统、计算机设备以及计算机可读存储介质。
第一方面,本申请提供了一种基于人工智能联合驱动的电力机组组合调度方法。所述方法包括:
获取电力系统机组组合运行期望数据;
根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,所述电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
在其中一个实施例中,所述电力系统机组组合调度模型生成过程包括:
获取电力系统机组组合历史运行数据和历史调度数据;
以所述历史运行数据作为网络训练的样本输入、且以所述历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本;
对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本;
基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型。
在其中一个实施例中,所述对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本之前,还包括:
对所述机组组合历史映射样本进行归一化处理。
在其中一个实施例中,所述对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本包括:
基于所述机组组合历史映射样本中日负荷数据对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在其中一个实施例中,所述基于所述机组组合历史映射样本中日负荷数据对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本包括:
获取所述机组组合历史映射样本中日负荷数据集;
获取预设个数初始聚类中心,计算所述日负荷数据集与所述初始聚类中心的欧式距离;
根据所述欧式距离,将所述机组组合历史映射样本划分到最近的聚类中心所属的簇;
更新所述初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心;
以所述更新后的聚类中心重新作为初始聚类中心,返回所述计算所述日负荷数据集与所述初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心;
根据所述目标聚类中心对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在其中一个实施例中,单个类别的历史映射样本对单个长短期记忆网络模型进行训练包括:
获取初始长短期记忆网络模型,所述初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;
通过单个类别的历史映射样本对所述初始长短期记忆网络模型进行训练。
在其中一个实施例中,所述通过单个类别的历史映射样本对所述初始长短期记忆网络模型进行训练包括:
获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值;
将所述日负荷数据分步读入至所述初始长短期记忆网络模型的编码器中,得到所述初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式;
通过所述初始长短期记忆网络模型的解码器对所述编码器的输出数据执行相反操作,得到解码器的输出序列、并根据所述输出序列得到所述初始长短期记忆网络模型的神经元输入;
在解码器中选取非上一个时刻的神经元的输出,作为样本输出;
采用二分类交叉熵作为损失函数;
根据所述神经元输入、所述样本输出、所述损失函数、以及对应的机组启停值,对所述初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
在其中一个实施例中,所述根据所述神经元输入、所述样本输出、所述损失函数、以及对应的机组启停值,对所述初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练包括:
根据所述神经元输入、所述样本输出、所述损失函数、以及对应的机组启停值,采用Adam算法对所述初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
第二方面,本申请还提供了一种基于人工智能联合驱动的电力机组组合调度系统,所述系统包括:
参数获取模块,用于获取电力系统机组组合运行期望数据;
识别模块,用于根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
模型选取模块,用于获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,所述电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
调度方案生成模块,用于将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
调度模块,用于根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电力系统机组组合运行期望数据;
根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,所述电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电力系统机组组合运行期望数据;
根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,所述电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
上述基于人工智能联合驱动的电力机组组合调度方法、系统、计算机设备以及存储介质,获取电力系统机组组合运行期望数据;根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型;将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。整个过程中,一方面,选择基于长短期记忆网络模型训练的电力系统机组组合调度模型来进行组合调度方案的生成,确保调度方案生成的效率;另一方面,能够基于调度场景选择对应的目标电力系统机组组合调度模型来生成调度方案,显著减少数据处理量,因此,最终可以实现高效的电力系统机组组合调度。
附图说明
图1为一个实施例中基于人工智能联合驱动的电力机组组合调度方法的应用环境图;
图2为一个实施例中基于人工智能联合驱动的电力机组组合调度方法的流程示意图;
图3为另一个实施例中基于人工智能联合驱动的电力机组组合调度方法的流程示意图;
图4为长短期记忆网络模型架构示意图;
图5为基于长短期记忆网络模型与Seq2Seq架构的机组组合模型示意图;
图6为一个实施例中基于人工智能联合驱动的电力机组组合调度系统的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的基于人工智能联合驱动的电力机组组合调度方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102上传调度方案生成请求至服务器104,服务器104接收调度方案生成请求,提取该请求中携带的电力系统机组组合运行期望数据;根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,电力系统机组组合调度模型采用如上述的方法训练得到;将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案,根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。进一步来说,服务器104可以将生成的电力系统机组组合调度方案发送至电力系统,以对电力系统机组组合进行调度。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人工智能联合驱动的电力机组组合调度方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S100:获取电力系统机组组合运行期望数据。
运行期望数据是指电力系统在设计状态下期望的运行数据,其同样包括日负荷数据以及发电功率两个维度的数据。
S200:根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景。
具体来说,可以提取运行期望数据的特征,具体包括日负荷特征以及发电功率特征,以风电系统为例,具体包括负荷特征以及风电出力特征,基于提取的特征来识别电力系统机组组合的调度场景。
S300:获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型。
在识别出电力系统机组组合的调度场景,选择出与该场景对应的电力系统机组组合调度模型。电力系统机组组合调度模型是基于长短期记忆网络模型训练的模型,在实际应用中,可以预先训练得到不同类别的已训练长短期记忆网络模型,这些不同类别的已训练长短期记忆网络模型分别适用于不同的调度场景,在基于特征确定了调度场景之后,既可以选择与当前调度场景对应的已训练长短期记忆网络模型,即得到目标电力系统机组组合调度模型。
S400:将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案。
以电力系统机组组合运行期望数据作为输入数据,输入至目标电力系统机组组合调度模型,由目标电力系统机组组合调度模型进行模拟仿真输出,高效得到电力系统机组组合调度方案。
S500:根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
根据S400生成的电力系统机组组合调度方案对电力系统机组组合进行调度,以确保电力系统高效、稳定运行。
上述基于人工智能联合驱动的电力机组组合调度方法,获取电力系统机组组合运行期望数据;根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型;将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。整个过程中,一方面,选择基于长短期记忆网络模型训练的电力系统机组组合调度模型来进行组合调度方案的生成,确保调度方案生成的效率;另一方面,能够基于调度场景选择对应的目标电力系统机组组合调度模型来生成调度方案,显著减少数据处理量,因此,最终可以实现高效的电力系统机组组合调度。
如图3所示,在其中一个实施例中,S300之前,还包括:
S220:获取电力系统机组组合历史运行数据和历史调度数据。
电力系统机组组合是指由多个发电机机组组成的电力系统,在该电力系统中需要基于日负荷的情况确定各个发电机组的启停情况、以及各个发电机组的发电功率,以确保整个电力系统能够稳定输出满足负荷需求的电能。具体来说,历史运行数据和历史调度数据均可以基于电力系统历史运行过程的相关数据采集、提取得到,其中历史运行数据包括日负荷数据和发电功率,历史调度数据包括机组启停值和出力值,其中机组启停值是一个离散的数据,具体可以0表征机组停止、1表征机组启动,通过确定不同时刻机组的启停值即可知晓不同时刻具体机组具体需要控制启动,还是控制停止。
S240:以历史运行数据作为网络训练的样本输入、且以历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本。
在进行模型训练中,网络模型的输入是历史运行数据,网络模型的输出是历史调度数据,将样本输入和样本输出的关系映射,生成机组组合历史映射样本。更具体来说,以风电系统为例,机组组合历史映射样本的生成,将日负荷数据p L 、风电预测信息以及机组组合方案/>作为一个映射样本。将系统中所有节点在t时刻的负荷构成时序向量,以及风电预测信息作为网络训练的样本输入。
。
其中,为t时刻的输入负荷向量,/>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。/>为t时刻的输入风电预测向量,/>为t时刻节点i的风电预测最大出力,为非负连续变量。T为时段总数,s为风电场总数。将系统中t时刻的所有机组启停值、最优出力值构成时序向量/>作为网络训练的样本输出。
。
其中,为t时刻的输出机组启停向量,/>为t时刻的输出机组出力向量,/>为t时刻机组i的启停状态,为0-1变量,/>为t时刻机组i的出力,为非负连续变量。n为机组总数。
S260:对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在实际电力系统中,以风电系统为例,短期内和每年同期的日负荷与风电出力曲线相似度比较高,但是受环境、气候等因素的影响,不同月份、季节间的曲线差异较大。如果对所有历史数据不做区分,采用一个深度学习模型进行训练。那么面对差异巨大的历史样本数据,在离线训练过程中将会生成一个唯一的折中映射模型,难以保证在线决策的精度。因此,首先需要在训练前对历史数据进行聚类预处理,对每一组历史数据分别构造一个深度学习模型进行训练,在进行决策时,同样也先对输入数据的类型进行判断,然后再利用对应的映射模型进行决策。具体来说,聚类可以采用K-means聚类算法进行。在这里,在聚类之后,将相同类别的样本数据汇集到一起,形成不同类别的历史映射样本,每一个类别的历史映射样本都可以作为独立的模型训练数据。
S280:基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型。
针对S260得到不同类别的历史映射样本,并别将其输入至不同的长短期记忆网络模型,以对这些不同的长短期记忆网络模型一一进行训练,得到不同类别的已训练长短期记忆网络模型。
在其中一个实施例中,对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本之前,还包括:
对机组组合历史映射样本进行归一化处理。
为了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,在这里,对机组组合历史映射样本进行归一化处理。进一步的,可以采用z-zero方法对历史数据进行归一化处理,如下式所示:
。
其中分别为原始数据集的均值和方差,在本方法中,对输入每个节点的负荷数据与输出每个机组的出力数据(发电功率)进行了归一化处理。
在其中一个实施例中,对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本包括:
基于机组组合历史映射样本中日负荷数据对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在聚类的过程中,具体可以以不同的参数为基准来进行聚类,例如可以以日负荷数据,另也可以以发电功率来进行聚类。进一步来说,以日负荷为例来进行聚类的过程包括以下步骤:
步骤1、获取机组组合历史映射样本中日负荷数据集。
以日负荷为例,针对样本中的日负荷输入进行聚类处理的过程如下:设日负荷数据集为,其中两个日负荷数据/>与之间的欧式距离如下所示:
。
步骤2、获取预设个数初始聚类中心,计算日负荷数据集与初始聚类中心的欧式距离。
确定聚类中心个数K并对其初始化,计算与初始设定的K个聚类中心/>的欧式距离。
步骤3、根据欧式距离,将机组组合历史映射样本划分到最近的聚类中心所属的簇。
将样本划分到最近的聚类中心所属的簇中,其目标函数如下所示:
。
式中:为二进制变量,表示/>是否属于/>。
步骤4、更新初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心。
通过降低J能够实现以当前聚类中心为基准的样本聚类,同时更新聚类中心如下:
。
式中表示集合/>里的元素个数。
步骤5、以更新后的聚类中心重新作为初始聚类中心,返回计算日负荷数据集与初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心。
重复步骤2-5,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算法收敛。
步骤6、根据目标聚类中心对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在其中一个实施例中,单个类别的历史映射样本对单个长短期记忆网络模型进行训练包括:获取初始长短期记忆网络模型,初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;通过单个类别的历史映射样本对初始长短期记忆网络模型进行训练。
在本申请中(长短期记忆网络(Long Short Term Memory Network, LSTM))对样本数据进行特征抓取,通过Seq2Seq架构,实现输入编码-特征提取-输出解码的过程。与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,作为 RNN 的一种改进型,长短期记忆网络(LSTM)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。
具体来说,LSTM神经网络架构如图4所示,其中,LSTM在时刻t的输入数据为,输出值为/>,记忆状态为/>;f,i,h分别对应LSTM单元的三个门结构,他们共同决定了序列长期信息的状态是否会被LSTM网络输出;f t ,i t ,h t 即为当前时刻该结构的输出。从图可以看出,与标准的递归神经网络不同的是,递归神经网络使用单个Sigmoid作为激活函数,而LSTM使用一种称为“门”的结构来选择进入细胞的信息,从而控制神经元之间的信息传输。LSTM网络中有三种门,其单元结构在运行过程中根据不同的门来控制细胞状态,达到长期学习和信息筛选的目的。
从总体上看,实际的机组组合数据构成的是一种序列到序列的映射型样本,其很难直接导入到一个单一的深度学习模型中进行训练。因此,本发明提出引入Seq2Seq(Sequence to Sequence,序列到序列)技术来训练和处理上节中的序列映射型样本。其核心思想是分别使用2个循环神经网络组成一个编码器-解码器复合神经网络架构,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(以风电系统为例,包括负荷与风电信息)。 结合机组组合历史调度数据,设计Seq2Seq的深度学习模型如图5所示,输入数据包括某一聚类下的日负荷曲线与风电预测曲线,分别经过编码器1与编码器2,得到负荷特征与风电出力特征。其中,双向网络将输入按照反序重新进入LSTM网络,即对于每个时刻,输入会同时提供给两个方向相反的LSTM,输出由这两个单向LSTM共同决定,这使得特征提取不仅能包括之前的状态,还能获取到未来的状态。拼凑负荷特征与风电出力特征得到历史数据的特征,并将其经过单层网络与Relu激活函数得到新的降维的特征。对于机组启停预测的输出,通过解码器1,并使用sigmoid网络映射到[0,1],得到机组各个时刻的启停概率;对于机组出力预测,通过解码器2。
在其中一个实施例中,通过单个类别的历史映射样本对初始长短期记忆网络模型进行训练包括:
步骤1:获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值。
步骤2:将日负荷数据分步读入至初始长短期记忆网络模型的编码器中,得到初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式。
将样本数据日负荷数据按照时间顺序,分步读入编码器Encoder架构中,其在t时刻的LSTM神经元隐藏层状态/>与记忆单元状态/>由t-1时刻的LSTM神经元隐藏层状态、记忆单元状态/>与输入t时刻日负荷/>共同决定,可以描述为:
。
在LSTM网络中,该函数关系由遗忘门f t 、输入门i t 、输出门o t 、待更新记忆单元状态状态决定,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:
。
其中,为sigmoid激活函数,W xf 为遗忘门的输入量权重系数矩阵,W hf 为遗忘门的隐藏层状态权重系数矩阵,/>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:
。
其中,tanh为双曲正切函数,作为激活函数,W xi 、W xo 、W xc 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,W hi 、Who 、W hc 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,b i 、b o 、b c 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为
。
其中,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,即
。
步骤3:通过初始长短期记忆网络模型的解码器对编码器的输出数据执行相反操作,得到解码器的输出序列、并根据输出序列得到初始长短期记忆网络模型的神经元输入。
解码器Decoder执行与编码器相反的操作,结合编码器信息,按照时间步分布解码,形成最终的输出序列/>。其中k时刻的LSTM神经元输入为:
。
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,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/>共同决定,解码器输出/>由隐藏层状态经过转换函数得到,可以描述为:
。
其中的函数关系与编码器相同。
步骤4:在解码器中选取非上一个时刻的神经元的输出,作为样本输出。
为避免训练过程中,输出序列的连续错误输出对训练效果的影响,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,即
。
步骤5:采用二分类交叉熵作为损失函数。
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:
。/>
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:
。
步骤6:根据神经元输入、样本输出、损失函数、以及对应的机组启停值,对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
网络反向传播回传相关误差,通过计算损失函数对于各参数的梯度,以此为基础对权重参数和偏置参数/>进行更新,从而实现模型的训练。
具体来说,可以利用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:
。
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,为衰减因子,/>为梯度带权有偏方差,/>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。
进一步的,在上述风电系统为例中,风电曲线为历史风电预测数据,但输出的调度方案则是按照实际数据进行最优潮流计算得到的,因此在网络训练过程中,网络还需学习从风电预测到实际的误差矫正;对于负荷与风电出力分别用两个LSTM网络进行特征提取得到历史数据特征,对两类输出进行训练时,虽选取不同损失函数进行梯度反向传播,但共用特征提取的网络参数,提升了训练效率。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于人工智能联合驱动的电力机组组合调度方法的基于人工智能联合驱动的电力机组组合调度系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于人工智能联合驱动的电力机组组合调度系统实施例中的具体限定可以参见上文中对于基于人工智能联合驱动的电力机组组合调度方法的限定,在此不再赘述。
如图6所示,本申请还提供了一种基于人工智能联合驱动的电力机组组合调度系统,系统包括:
参数获取模块100,用于获取电力系统机组组合运行期望数据;
识别模块200,用于根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
模型选取模块300,用于获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
调度方案生成模块400,用于将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
调度模块500,用于根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
上述基于人工智能联合驱动的电力机组组合调度系统,获取电力系统机组组合运行期望数据;根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型;将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。整个过程中,一方面,选择基于长短期记忆网络模型训练的电力系统机组组合调度模型来进行组合调度方案的生成,确保调度方案生成的效率;另一方面,能够基于调度场景选择对应的目标电力系统机组组合调度模型来生成调度方案,显著减少数据处理量,因此,最终可以实现高效的电力系统机组组合调度。
在其中一个实施例中,上述基于人工智能联合驱动的电力机组组合调度系统包括:模型训练模块,用于获取电力系统机组组合历史运行数据和历史调度数据;以历史运行数据作为网络训练的样本输入、且以历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本;对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本;基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型。
在其中一个实施例中,模型训练模块还用于对机组组合历史映射样本进行归一化处理。
在其中一个实施例中,模型训练模块还用于基于机组组合历史映射样本中日负荷数据对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在其中一个实施例中,模型训练模块还用于获取机组组合历史映射样本中日负荷数据集;获取预设个数初始聚类中心,计算日负荷数据集与初始聚类中心的欧式距离;根据欧式距离,将机组组合历史映射样本划分到最近的聚类中心所属的簇;更新初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心;以更新后的聚类中心重新作为初始聚类中心,返回计算日负荷数据集与初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心;根据目标聚类中心对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在其中一个实施例中,模型训练模块还用于获取初始长短期记忆网络模型,初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;通过单个类别的历史映射样本对初始长短期记忆网络模型进行训练。
在其中一个实施例中,模型训练模块还用于获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值;将日负荷数据分步读入至初始长短期记忆网络模型的编码器中,得到初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式;通过初始长短期记忆网络模型的解码器对编码器的输出数据执行相反操作,得到解码器的输出序列、并根据输出序列得到初始长短期记忆网络模型的神经元输入;在解码器中选取非上一个时刻的神经元的输出,作为样本输出;采用二分类交叉熵作为损失函数;根据神经元输入、样本输出、损失函数、以及对应的机组启停值,对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
在其中一个实施例中,模型训练模块还用于根据神经元输入、样本输出、损失函数、以及对应的机组启停值,采用Adam算法对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
上述基于人工智能联合驱动的电力机组组合调度系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能联合驱动的电力机组组合调度方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电力系统机组组合运行期望数据;
根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取电力系统机组组合历史运行数据和历史调度数据;以历史运行数据作为网络训练的样本输入、且以历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本;对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本;基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对机组组合历史映射样本进行归一化处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于机组组合历史映射样本中日负荷数据对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取机组组合历史映射样本中日负荷数据集;获取预设个数初始聚类中心,计算日负荷数据集与初始聚类中心的欧式距离;根据欧式距离,将机组组合历史映射样本划分到最近的聚类中心所属的簇;更新初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心;以更新后的聚类中心重新作为初始聚类中心,返回计算日负荷数据集与初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心;根据目标聚类中心对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取初始长短期记忆网络模型,初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;通过单个类别的历史映射样本对初始长短期记忆网络模型进行训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值;将日负荷数据分步读入至初始长短期记忆网络模型的编码器中,得到初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式;通过初始长短期记忆网络模型的解码器对编码器的输出数据执行相反操作,得到解码器的输出序列、并根据输出序列得到初始长短期记忆网络模型的神经元输入;在解码器中选取非上一个时刻的神经元的输出,作为样本输出;采用二分类交叉熵作为损失函数;根据神经元输入、样本输出、损失函数、以及对应的机组启停值,对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据神经元输入、样本输出、损失函数、以及对应的机组启停值,采用Adam算法对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电力系统机组组合运行期望数据;
根据电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
获取与调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
将电力系统机组组合运行期望数据输入至目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
根据生成的电力系统机组组合调度方案进行电力系统机组组合调度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取电力系统机组组合历史运行数据和历史调度数据;以历史运行数据作为网络训练的样本输入、且以历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本;对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本;基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对机组组合历史映射样本进行归一化处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于机组组合历史映射样本中日负荷数据对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取机组组合历史映射样本中日负荷数据集;获取预设个数初始聚类中心,计算日负荷数据集与初始聚类中心的欧式距离;根据欧式距离,将机组组合历史映射样本划分到最近的聚类中心所属的簇;更新初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心;以更新后的聚类中心重新作为初始聚类中心,返回计算日负荷数据集与初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心;根据目标聚类中心对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取初始长短期记忆网络模型,初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;通过单个类别的历史映射样本对初始长短期记忆网络模型进行训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值;将日负荷数据分步读入至初始长短期记忆网络模型的编码器中,得到初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式;通过初始长短期记忆网络模型的解码器对编码器的输出数据执行相反操作,得到解码器的输出序列、并根据输出序列得到初始长短期记忆网络模型的神经元输入;在解码器中选取非上一个时刻的神经元的输出,作为样本输出;采用二分类交叉熵作为损失函数;根据神经元输入、样本输出、损失函数、以及对应的机组启停值,对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据神经元输入、样本输出、损失函数、以及对应的机组启停值,采用Adam算法对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandom Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase ChangeMemory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static RandomAccess Memory,SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能联合驱动的电力机组组合调度方法,其特征在于,所述方法包括:
获取电力系统机组组合运行期望数据;
根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,所述电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
根据生成的电力系统机组组合调度方案进行电力系统机组组合调度;
所述根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景包括:根据所述电力系统机组组合运行期望数据,提取日负荷特征以及发电功率特征;根据提取的日负荷特征以及发电功率特征识别电力系统机组组合的调度场景;
所述电力系统机组组合调度模型生成过程包括:获取电力系统机组组合历史运行数据和历史调度数据;以所述历史运行数据作为网络训练的样本输入、且以所述历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本;对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本;基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型;
所述电力系统包括风电系统,所述机组组合历史映射样本包括日负荷数据P L 、风电预测信息以及机组组合方案/>;
所述对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本包括:获取所述机组组合历史映射样本中日负荷数据集;获取预设个数初始聚类中心,计算所述日负荷数据集与所述初始聚类中心的欧式距离;根据所述欧式距离,将所述机组组合历史映射样本划分到最近的聚类中心所属的簇;更新所述初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心;以所述更新后的聚类中心重新作为初始聚类中心,返回所述计算所述日负荷数据集与所述初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心;根据所述目标聚类中心对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
2.根据权利要求1所述的方法,其特征在于,所述对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本之前,还包括:
对所述机组组合历史映射样本进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,单个类别的历史映射样本对单个长短期记忆网络模型进行训练包括:
获取初始长短期记忆网络模型,所述初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;
通过单个类别的历史映射样本对所述初始长短期记忆网络模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述通过单个类别的历史映射样本对所述初始长短期记忆网络模型进行训练包括:
获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值;
将所述日负荷数据分步读入至所述初始长短期记忆网络模型的编码器中,得到所述初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式;
通过所述初始长短期记忆网络模型的解码器对所述编码器的输出数据执行相反操作,得到解码器的输出序列、并根据所述输出序列得到所述初始长短期记忆网络模型的神经元输入;
在解码器中选取非上一个时刻的神经元的输出,作为样本输出;
采用二分类交叉熵作为损失函数;
根据所述神经元输入、所述样本输出、所述损失函数、以及对应的机组启停值,对所述初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
5.根据权利要求4所述的方法,其特征在于,所述根据所述神经元输入、所述样本输出、所述损失函数、以及对应的机组启停值,对所述初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练包括:
根据所述神经元输入、所述样本输出、所述损失函数、以及对应的机组启停值,采用Adam算法对所述初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
6.一种基于人工智能联合驱动的电力机组组合调度系统,其特征在于,所述系统包括:
参数获取模块,用于获取电力系统机组组合运行期望数据;
识别模块,用于根据所述电力系统机组组合运行期望数据,识别电力系统机组组合的调度场景;
模型选取模块,用于获取与所述调度场景对应的电力系统机组组合调度模型,得到目标电力系统机组组合调度模型,所述电力系统机组组合调度模型为基于长短期记忆网络模型训练的模型;
调度方案生成模块,用于将电力系统机组组合运行期望数据输入至所述目标电力系统机组组合调度模型,生成电力系统机组组合调度方案;
调度模块,用于根据生成的电力系统机组组合调度方案进行电力系统机组组合调度;
所述识别模块还用于根据所述电力系统机组组合运行期望数据,提取日负荷特征以及发电功率特征;根据提取的日负荷特征以及发电功率特征识别电力系统机组组合的调度场景;
模型训练模块,用于获取电力系统机组组合历史运行数据和历史调度数据;以历史运行数据作为网络训练的样本输入、且以历史调度数据作为网络训练的样本输出,生成机组组合历史映射样本;对机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本;基于不同类别的历史映射样本、与不同的长短期记忆网络模型一一对应进行训练,得到不同类别的已训练长短期记忆网络模型;
所述电力系统包括风电系统,所述机组组合历史映射样本包括日负荷数据P L 、风电预测信息以及机组组合方案/>;
所述模型训练模块还用于获取所述机组组合历史映射样本中日负荷数据集;获取预设个数初始聚类中心,计算所述日负荷数据集与所述初始聚类中心的欧式距离;根据所述欧式距离,将所述机组组合历史映射样本划分到最近的聚类中心所属的簇;更新所述初始聚类中心,以降低每簇数据对应的均方差,得到更新后的聚类中心;以所述更新后的聚类中心重新作为初始聚类中心,返回所述计算所述日负荷数据集与所述初始聚类中心的欧式距离的步骤,直至聚类中心不再变化,得到目标聚类中心;根据所述目标聚类中心对所述机组组合历史映射样本进行聚类处理,得到不同类别的历史映射样本。
7.根据权利要求6所述的系统,其特征在于,所述模型训练模块还用于对机组组合历史映射样本进行归一化处理。
8.根据权利要求6所述的系统,其特征在于,所述模型训练模块还用于获取初始长短期记忆网络模型,初始长短期记忆网络模型为基于Seq2Seq架构的长短期记忆网络模型;通过单个类别的历史映射样本对初始长短期记忆网络模型进行训练。
9.根据权利要求8所述的系统,其特征在于,所述模型训练模块还用于获取单个类别的历史映射样本中日负荷数据以及对应的机组启停值;将日负荷数据分步读入至初始长短期记忆网络模型的编码器中,得到初始长短期记忆网络模型中输入门、输出门以及待更新记忆单元状态的函数表达式;通过初始长短期记忆网络模型的解码器对编码器的输出数据执行相反操作,得到解码器的输出序列、并根据输出序列得到初始长短期记忆网络模型的神经元输入;在解码器中选取非上一个时刻的神经元的输出,作为样本输出;采用二分类交叉熵作为损失函数;根据神经元输入、样本输出、损失函数、以及对应的机组启停值,对初始长短期记忆网络模型中权重系数以及偏置参数进行修正训练。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781236.2A CN116526582B (zh) | 2023-06-29 | 2023-06-29 | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781236.2A CN116526582B (zh) | 2023-06-29 | 2023-06-29 | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116526582A CN116526582A (zh) | 2023-08-01 |
CN116526582B true CN116526582B (zh) | 2024-03-26 |
Family
ID=87396234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781236.2A Active CN116526582B (zh) | 2023-06-29 | 2023-06-29 | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116526582B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420508A (zh) * | 2021-07-07 | 2021-09-21 | 华北电力大学 | 一种基于lstm的机组组合计算方法 |
CN115549209A (zh) * | 2022-10-25 | 2022-12-30 | 国网安徽省电力有限公司合肥供电公司 | 电网能量管理方法 |
CN115600793A (zh) * | 2022-09-09 | 2023-01-13 | 国网浙江省电力有限公司嘉兴供电公司(Cn) | 面向源网荷储一体化园区的协同控制方法及系统 |
CN116227180A (zh) * | 2023-02-17 | 2023-06-06 | 广东电网有限责任公司广州供电局 | 基于数据驱动的机组组合智能决策方法 |
CN116245318A (zh) * | 2023-02-06 | 2023-06-09 | 国网黑龙江省电力有限公司 | 基于大数据填补与聚类的电力系统日前调度方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340271B (zh) * | 2020-02-13 | 2022-04-08 | 清华大学 | 一种基于供热相量模型的电-热多能流系统优化调度方法 |
-
2023
- 2023-06-29 CN CN202310781236.2A patent/CN116526582B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420508A (zh) * | 2021-07-07 | 2021-09-21 | 华北电力大学 | 一种基于lstm的机组组合计算方法 |
CN115600793A (zh) * | 2022-09-09 | 2023-01-13 | 国网浙江省电力有限公司嘉兴供电公司(Cn) | 面向源网荷储一体化园区的协同控制方法及系统 |
CN115549209A (zh) * | 2022-10-25 | 2022-12-30 | 国网安徽省电力有限公司合肥供电公司 | 电网能量管理方法 |
CN116245318A (zh) * | 2023-02-06 | 2023-06-09 | 国网黑龙江省电力有限公司 | 基于大数据填补与聚类的电力系统日前调度方法和系统 |
CN116227180A (zh) * | 2023-02-17 | 2023-06-06 | 广东电网有限责任公司广州供电局 | 基于数据驱动的机组组合智能决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116526582A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537945B (zh) | 基于联邦学习的智能电表故障诊断方法及设备 | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
WO2020143253A1 (zh) | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN105184368A (zh) | 一种分布式极限学习机优化集成框架方法系统及方法 | |
CN111723930A (zh) | 一种应用群智监督学习方法的系统 | |
Islam et al. | LSTM-based electrical load forecasting for Chattogram city of Bangladesh | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN117458440A (zh) | 基于关联特征融合的生成式电力负荷预测方法及系统 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN113609762A (zh) | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN116244484B (zh) | 一种面向不平衡数据的联邦跨模态检索方法及系统 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN116526582B (zh) | 基于人工智能联合驱动的电力机组组合调度方法与系统 | |
CN115528750B (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 | |
Xia et al. | Efficient synthesis of compact deep neural networks | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
CN114861671A (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
CN113516521A (zh) | 能源互联网用户用能数据预测方法及系统 | |
CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
CN114511023B (zh) | 分类模型训练方法以及分类方法 | |
CN117132006B (zh) | 基于能源管理系统的能耗预测方法及系统 |
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 |