CN117574218A - 一种基于数据驱动的多维不确定条件下电力电量平衡方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的多维不确定条件下电力电量平衡方法，涉及电力系统调度技术领域。具体包括：首先建立考虑安全经济约束的以成本最小为目标的基于物理模型驱动的电力电量平衡模型，求解源荷实际数据对应的实际最优决策结果；其次采用模糊‑C均值聚类法对历史源荷预测数据进行聚类；接着构建基于长短时记忆网络的电力电量平衡深度学习模型，通过历史数据训练建立系统预测数据与实际最优决策结果之间的映射模型，以此为基础进行电力电量平衡决策；最后通过积累历史数据实现对模型的持续修正。本发明基于数据驱动的思路，提升了电力电量平衡决策方案的精度，实现电力电量平衡决策模型的自我进化。

Description

一种基于数据驱动的多维不确定条件下电力电量平衡方法

技术领域

本发明属于电力系统调度技术领域，尤其涉及一种基于数据驱动的多维不确定条件下电力电量平衡方法。

背景技术

电力系统运行的核心环节和理论基础是解决电力电量平衡问题。随着电力系统在近年来的迅速发展，所面临的问题也日渐增多，一方面，对电网运行的精细化水平提出了新的要求，制定了更高的标准。另一方面，系统运行随着能源结构的转变、调整，其运行难度也相应提高，系统运行面临着更多的挑战。风电、光伏等分布式电源发电具有不确定性和间歇性的特点，该领域对分布式电源接入电网后如何在电力电量平衡问题中计及多维不确定性因素的研究成为此领域研究课题中的热点。因不确定电源和负荷在预测数据上会出现一定的误差，考虑到传统基于物理模型驱动电力电量平衡方法对预测数据有一定的依赖性，故会使得电力电量平衡难以达到最佳效果。当今社会飞速发展，能源技术变革加快、人工智能技术突飞猛进，致力于不断提高电力电量平衡决策方法适应性和精度的研究有着重要的意义。当前电力系统调度机构在长期的调度过程中积累了大量结构化的历史数据，电力电量平衡的决策从长期来看具有一定的重复性，对于未来电力电量平衡方案可根据长期积累的决策方案进行调整。

因此，提出一种基于数据驱动的多维不确定条件下电力电量平衡方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

发明内容

本发明基于数据驱动的思路，提出了一种基于数据驱动的多维不确定条件下电力电量平衡方法。该方法从一方面能够有效解决传统方法因不确定发电和负荷预测数据存在误差而使得平衡效果难以达到最佳的问题，另一方面该方法能够在长期对数据进行不断积累和自动学习的过程中逐渐提高决策模型的精度、效率或对新问题的适应能力。

为了实现上述目的，本发明采用如下技术方案：

一种基于数据驱动的多维不确定条件下电力电量平衡方法，包括以下步骤：

S1：建立以限负荷最小、弃电量最小及经济成本最小的电力系统电力电量平衡目标函数；

S2：设置电力系统安全经济约束条件，与电力系统电力电量平衡目标函数共同构建出基于物理模型驱动的电力电量平衡模型；

S3：以地区电网历史真实源荷数据为基于物理模型驱动的电力电量平衡模型的模型输入，计算历史真实源荷数据对应的包括机组开停机计划、机组出力计划在内的实际最优电力电量平衡方案(U_G，P_G)，将每日源荷预测数据和每日实际最优电力电量平衡方案作为一个映射样本，生成历史映射样本数据；

S4：基于模糊-C均值聚类法将每日的历史真实源荷数据划分为m类，并确定每个类别的聚类中心；

S5：构建采用算法训练后的长短时记忆网路LSTM模型；

S6：以长短时记忆网路LSTM模型为基础，分别以每个类的源荷预测数据为输入，以历史映射样本数据中该源荷预测数据对应的实际最优决策结果为输出，对长短时记忆网路LSTM进行训练，得到N个可以描述源荷预测数据与实际最优决策结果之间映射关系的映射模型，也就是N个基于长短时记忆网络的电力电量平衡深度学习模型；

S7：对于新的源荷预测数据首先判断所属的类别，其次利用该类别对应的LSTM模型进行电力电量平衡决策；

S8：利用新的源荷数据及对应的最优决策模型更新历史映射样本数据，对LSTM模型进行持续不断地修正和优化。

上述的方法，可选的，S1中目标函数表达式如下：

式中：N^T为优化时段总数目；F_i ^G为运行费用函数；和/>分别为火电机组i在时刻t的启动和停机成本；/>为t时刻的切负荷风险的惩罚项；/>为t时刻的新能源弃电量的惩罚项；/>为火电机组的出力；Δt为一个调度周期的时长；ρ_load和ρ_ne分别为切负荷和新能源弃电量的惩罚系数；H为电网分区内火电厂的总数。

上述的方法，可选的，S2中设置安全经济约束条件具体包括功率平衡约束、容量约束、电网分区间传输容量约束、火电机组出力约束、光伏出力约束。

上述的方法，可选的，

所述功率平衡约束具体表达为：

式中：为电网分区内第k个火电厂t时刻的出力值；/>为第j个新能源电站t时刻的出力值；/>为电网分区内的总负荷功率值；H为电网分区内火电厂的总数；M为新能源电站的数量；/>为电网分区内联络线功率值；

所述容量约束具体表达为：

式中：为电网分区内第i个火电厂t时刻的最大出力值；/>为电网分区内第j个光伏电站t时刻的最大出力值；/>为电网分区内的最大备用容量；

所述电网分区间传输容量约束具体表达为：

P_a,min≤P_a ^t≤P_a,max

式中：P_a,min为电网分区间的最小传输容量；P_a,max为电网分区间的最小传输容量；

所述火电机组出力约束具体表达为：

式中：为火电机组最小出力；/>为火电机组最大出力；

所述光伏出力约束具体表达为：

式中：为光伏电站最小出力；/>为光伏电站最大出力。

上述的方法，可选的，S4具体步骤包括：

S401：选取每天间隔15min的光伏出力数据和负荷数据构成历史源荷数据，给定含有n个数据的数据集：X＝{x₁,x₂,…x_i,...,x_n}，X_i是第i个日源荷数据；X_ij是第i个历史真实的日源荷数据的第j个属性；每个样本包含96个属性；

S402：模糊-C均值聚类算法将该数据集划分为m类，其中m为大于1的正整数，定义m个类的聚类中心分别为[v₁,v₂,…,v_k]，用值在0，1间的随机数初始化隶属矩阵U_n×k，u_ij代表样本点x_i与聚类中心v_j的隶属度，u_ij的取值满足如下约束：

S403：计算K个聚类中心，其中m是模糊指数(m>1)：

S404：计算价值函数J(U,V)，如果小于第一预设阀值，或相对上次价值函数值的改变量小于第二预设阀值，则算法停止：

S405：计算新的U_n×k矩阵，返回步骤S203，继续迭代：

上述的方法，可选的，S5中采用Adam算法进行训练。

上述的方法，可选的，S5具体步骤包括：

S501：在LSTM模型的训练过程中，损失函数定义为：

其中，y_t为LSTM模型在t时刻的输出值，q为时间序列的长度；

S502：训练过程中采用Adam算法对LSTM模型的权重系数和偏置参数进行修正，从而实现对模型的训练，具体更新公式为：

其中，W为LSTM模型中各门间权重系数矩阵；b为LSTM模型中偏置参数的集合；δ为学习率；β₁和β₂为衰减因子；v_t为梯度带权有偏方差；ε为平滑参数。

上述的方法，可选的，S6具体步骤包括：

S601：电力电量平衡历史映射样本的生成，将一个日源荷预测数据P及其实际数据对应的最优电力电量平衡方案(U_G,P_G)作为一个映射样本，其中U_G为系统发电机组的启停方案，P_G为系统发电机组的出力矩阵；

S602：根据历史源荷数据的聚类结果，将相似的源荷数据及其对应的最优决策方案归为同一类，从而将历史映射样本数据也划分为L类。对每一类映射历史源荷数据分别进行归一化处理，转换函数如下：

式中：x_jmin为历史源荷数据中第j个属性的最小值；x_jmax为历史源荷数据中第j个属性的最大值；

S603：对每一类映射样本数据构造一个深度学习模型进行训练，获得N个深度学习模型。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于数据驱动的多维不确定条件下电力电量平衡方法，具有以下有益效果：

(1)通过模糊-C均值聚类实现对源荷数据分类，每种类型的源荷数据分别对应一个深度学习模型，提升了电力电量平衡决策方案的精度。

(2)深度学习模型中训练数据集中的实际最优决策方案是通过实际源荷数据获得的，相比于传统依赖于具有预测数据决策方法，该方法具有更高的决策精度。

(3)对于本文方法而言，其对映射模型的训练是持续进行的，通过历史数据的积累实现对模型的持续性修正，提高其决策效率和精度，从而实现电力电量平衡决策模型的自我进化。

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，还可以根据提供的附图获得其他的附图。

图1为本发明公开的一种基于数据驱动的多维不确定条件下电力电量平衡方法流程图；

图2为本发明公开的电力电量平衡技术流程图；

图3为本发明公开的不同电力电量平衡方法的决策结果对比图；

图4为本发明公开的不同训练样本容量下的总费用对比图。

具体实施方式

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，都属于本发明保护的范围。

在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

参照图1所示，一种基于数据驱动的多维不确定条件下电力电量平衡方法，包括以下步骤：

S1：建立以限负荷最小、弃电量最小及经济成本最小的电力系统电力电量平衡目标函数；

S2：设置电力系统安全经济约束条件，与电力系统电力电量平衡目标函数共同构建出基于物理模型驱动的电力电量平衡模型；

S3：以地区电网历史真实源荷数据为基于物理模型驱动的电力电量平衡模型的模型输入，计算历史真实源荷数据对应的包括机组开停机计划、机组出力计划在内的实际最优电力电量平衡方案(U_G，P_G)，将每日源荷预测数据和每日实际最优电力电量平衡方案作为一个映射样本，生成历史映射样本数据；

S4：基于模糊-C均值聚类法将每日的历史真实源荷数据划分为m类，并确定每个类别的聚类中心；

S5：构建采用算法训练后的长短时记忆网路LSTM模型；

S6：以长短时记忆网路LSTM模型为基础，分别以每个类的源荷预测数据为输入，以历史映射样本数据中该源荷预测数据对应的实际最优决策结果为输出，对长短时记忆网路LSTM进行训练，得到N个可以描述源荷预测数据与实际最优决策结果之间映射关系的映射模型，也就是N个基于长短时记忆网络的电力电量平衡深度学习模型；

S7：对于新的源荷预测数据首先判断所属的类别，其次利用该类别对应的LSTM模型进行电力电量平衡决策；

S8：利用新的源荷数据及对应的最优决策模型更新历史映射样本数据，对LSTM模型进行持续不断地修正和优化。

进一步的，S1中目标函数表达式如下：

式中：N^T为优化时段总数目；F_i ^G为运行费用函数；和/>分别为火电机组i在时刻t的启动和停机成本；/>为t时刻的切负荷风险的惩罚项；/>为t时刻的新能源弃电量的惩罚项；/>为火电机组的出力；Δt为一个调度周期的时长；ρ_load和ρ_ne分别为切负荷和新能源弃电量的惩罚系数；H为电网分区内火电厂的总数。

进一步的，S2中设置安全经济约束条件具体包括功率平衡约束、容量约束、电网分区间传输容量约束、火电机组出力约束、光伏出力约束。

进一步的，

所述功率平衡约束具体表达为：

式中：为电网分区内第k个火电厂t时刻的出力值；/>为第j个新能源电站t时刻的出力值；/>为电网分区内的总负荷功率值；H为电网分区内火电厂的总数；M为新能源电站的数量；/>为电网分区内联络线功率值；

所述容量约束具体表达为：

式中：为电网分区内第i个火电厂t时刻的最大出力值；/>为电网分区内第j个光伏电站t时刻的最大出力值；/>为电网分区内的最大备用容量；

所述电网分区间传输容量约束具体表达为：

P_a,min≤P_a ^t≤P_a,max

式中：P_a,min为电网分区间的最小传输容量；P_a,max为电网分区间的最小传输容量；

所述火电机组出力约束具体表达为：

式中：为火电机组最小出力；/>为火电机组最大出力；

所述光伏出力约束具体表达为：

式中：为光伏电站最小出力；/>为光伏电站最大出力。

进一步的，S4具体步骤包括：

S401：选取每天间隔15min的光伏出力数据和负荷数据构成历史源荷数据，给定含有n个数据的数据集：X＝{x₁,x₂,…x_i,...,x_n}，X_i是第i个日源荷数据；X_ij是第i个历史真实的日源荷数据的第j个属性；每个样本包含96个属性；

S402：模糊-C均值聚类算法将该数据集划分为m类，其中m为大于1的正整数，定义m个类的聚类中心分别为[v₁,v₂,…,v_k]，用值在0，1间的随机数初始化隶属矩阵U_n×k，u_ij代表样本点x_i与聚类中心v_j的隶属度，u_ij的取值满足如下约束：

S403：计算K个聚类中心，其中m是模糊指数(m>1)：

S404：计算价值函数J(U,V)，如果小于第一预设阀值，或相对上次价值函数值的改变量小于第二预设阀值，则算法停止：

S405：计算新的U_n×k矩阵，返回步骤S203，继续迭代：

进一步的，S5中采用Adam算法进行训练。

进一步的，S5具体步骤包括：

S501：在LSTM模型的训练过程中，损失函数定义为：

其中，y_t为LSTM模型在t时刻的输出值，q为时间序列的长度；

S502：训练过程中采用Adam算法对LSTM模型的权重系数和偏置参数进行修正，从而实现对模型的训练，具体更新公式为：

其中，W为LSTM模型中各门间权重系数矩阵；b为LSTM模型中偏置参数的集合；δ为学习率；β₁和β₂为衰减因子；v_t为梯度带权有偏方差；ε为平滑参数。

进一步的，S6具体步骤包括：

S601：电力电量平衡历史映射样本的生成，将一个日源荷预测数据P及其实际数据对应的最优电力电量平衡方案(U_G,P_G)作为一个映射样本，其中U_G为系统发电机组的启停方案，P_G为系统发电机组的出力矩阵；

S602：根据历史源荷数据的聚类结果，将相似的源荷数据及其对应的最优决策方案归为同一类，从而将历史映射样本数据也划分为L类。对每一类映射历史源荷数据分别进行归一化处理，转换函数如下：

式中：x_jmin为历史源荷数据中第j个属性的最小值；x_jmax为历史源荷数据中第j个属性的最大值；

S603：对每一类映射样本数据构造一个深度学习模型进行训练，获得N个深度学习模型。

如图2所示，为使本领域普通技术人能更清楚、方便地理解本发明的技术方案，详细的介绍了基于数据驱动的多维不确定条件下电力电量平衡技术方案。

为验证本发明所提方法在面对确定性机组组合问题时的适用性和精确性，将IEEE-39节点系统作为测试算例，在节点8和16接有光伏电源。LSTM模型的求解均在Matlab环境下实现。相关仿真计算均在英特尔酷睿i7-12700处理器/2.30GHz，16G内存计算机上实现。选择某地区半年的源荷数据2022年1月1日—6月30日的数据构建训练数据集，对所提出的基于LSTM的优化调度决策模型进行训练，并以2022年7月1日的数据作为验证集对LSTM进行测试。调度周期为1d，时段长度设置为1h。

采用四种方法对7月1日的数据进行电力电量平衡决策。方法一利用经过聚类预处理的样本数据对基于LSTM的深度学习模型进行训练，方法二利用未经过聚类预处理的样本数据对基于LSTM的深度学习模型进行训练，方法三利用预测数据作为物理模型的输入，方法三利用实际数据作为物理模型的输入。由图3可知，如果不对历史数据进行聚类预处理而直接对深度学习模型进行训练，其计算求得的机组出力结果与实际数据相差较大。而对训练样本数据进行聚类预处理后，所得模型的计算精度更高。这是由于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，将会在离线训练过程中生成一个唯一的折中映射模型，难以保证在线决策的精度。传统的基于物理模型的训练方法采用预测数据的的决策方法与实际数据相差最大，这是由于预测的源荷数据往往存在较大误差，导致平衡结果与实际情况相差较大。测试过程中发现，本文提出的决策方法只需要0.2s左右即可得到决策结果，决策时间远小于传统电力电量平衡方法。

在不同样本容量下训练得到基于数据驱动的电力电量平衡决策模型，系统总费用决策结果如图4所示，而本发明方法1的系统总费用会随着历史训练样本的增加而降低。本文基于数据驱动的电力电量平衡决策方法在历史样本数据积累的过程中，具有自我学习和自我进化的特性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，包括以下步骤：

S1：建立以限负荷最小、弃电量最小及经济成本最小的电力系统电力电量平衡目标函数；

S2：设置电力系统安全经济约束条件，与电力系统电力电量平衡目标函数共同构建出基于物理模型驱动的电力电量平衡模型；

S3：以地区电网历史真实源荷数据为基于物理模型驱动的电力电量平衡模型的模型输入，计算历史真实源荷数据对应的包括机组开停机计划、机组出力计划在内的实际最优电力电量平衡方案(U_G，P_G)，将每日源荷预测数据和每日实际最优电力电量平衡方案作为一个映射样本，生成历史映射样本数据；

S4：基于模糊-C均值聚类法将每日的历史真实源荷数据划分为m类，并确定每个类别的聚类中心；

S5：构建采用算法训练后的长短时记忆网路LSTM模型；

S6：以长短时记忆网路LSTM模型为基础，分别以每个类的源荷预测数据为输入，以历史映射样本数据中该源荷预测数据对应的实际最优决策结果为输出，对长短时记忆网路LSTM进行训练，得到N个可以描述源荷预测数据与实际最优决策结果之间映射关系的映射模型，也就是N个基于长短时记忆网络的电力电量平衡深度学习模型；

S7：对于新的源荷预测数据首先判断所属的类别，其次利用该类别对应的LSTM模型进行电力电量平衡决策；

S8：利用新的源荷数据及对应的最优决策模型更新历史映射样本数据，对LSTM模型进行持续不断地修正和优化。

2.根据权利要求1所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，S1中目标函数表达式如下：

式中：N^T为优化时段总数目；F_i ^G为运行费用函数；和/>分别为火电机组i在时刻t的启动和停机成本；/>为t时刻的切负荷风险的惩罚项；/>为t时刻的新能源弃电量的惩罚项；/>为火电机组的出力；Δt为一个调度周期的时长；ρ_load和ρ_ne分别为切负荷和新能源弃电量的惩罚系数；H为电网分区内火电厂的总数。

3.根据权利要求1所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，S2中设置安全经济约束条件具体包括功率平衡约束、容量约束、电网分区间传输容量约束、火电机组出力约束、光伏出力约束。

4.根据权利要求3所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，

所述功率平衡约束具体表达为：

式中：为电网分区内第k个火电厂t时刻的出力值；/>为第j个新能源电站t时刻的出力值；/>为电网分区内的总负荷功率值；H为电网分区内火电厂的总数；M为新能源电站的数量；/>为电网分区内联络线功率值；

所述容量约束具体表达为：

式中：为电网分区内第i个火电厂t时刻的最大出力值；/>为电网分区内第j个光伏电站t时刻的最大出力值；/>为电网分区内的最大备用容量；

所述电网分区间传输容量约束具体表达为：

式中：P_a,min为电网分区间的最小传输容量；P_a,max为电网分区间的最小传输容量；

所述火电机组出力约束具体表达为：

式中：为火电机组最小出力；/>为火电机组最大出力；

所述光伏出力约束具体表达为：

式中：为光伏电站最小出力；/>为光伏电站最大出力。

5.根据权利要求1所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，S4具体步骤包括：

S401：选取每天间隔15min的光伏出力数据和负荷数据构成历史源荷数据，给定含有n个数据的数据集：X＝{x₁,x₂,…x_i,...,x_n}，X_i是第i个日源荷数据；X_ij是第i个历史真实的日源荷数据的第j个属性；每个样本包含96个属性；

S402：模糊-C均值聚类算法将该数据集划分为m类，其中m为大于1的正整数，定义m个类的聚类中心分别为[v₁,v₂,…,v_k]，用值在0，1间的随机数初始化隶属矩阵U_n×k，u_ij代表样本点x_i与聚类中心v_j的隶属度，u_ij的取值满足如下约束：

S403：计算K个聚类中心，其中m是模糊指数(m>1)：

S404：计算价值函数J(U,V)，如果小于第一预设阀值，或相对上次价值函数值的改变量小于第二预设阀值，则算法停止：

S405：计算新的U_n×k矩阵，返回步骤S203，继续迭代：

6.根据权利要求1所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，S5中采用Adam算法进行训练。

7.根据权利要求1所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，S5具体步骤包括：

S501：在LSTM模型的训练过程中，损失函数定义为：

其中，y_t为LSTM模型在t时刻的输出值，q为时间序列的长度；

S502：训练过程中采用Adam算法对LSTM模型的权重系数和偏置参数进行修正，从而实现对模型的训练，具体更新公式为：

其中，W为LSTM模型中各门间权重系数矩阵；b为LSTM模型中偏置参数的集合；δ为学习率；β₁和β₂为衰减因子；v_t为梯度带权有偏方差；ε为平滑参数。

8.根据权利要求1所述的一种基于数据驱动的多维不确定条件下电力电量平衡方法，其特征在于，S6具体步骤包括：

S601：电力电量平衡历史映射样本的生成，将一个日源荷预测数据P及其实际数据对应的最优电力电量平衡方案(U_G,P_G)作为一个映射样本，其中U_G为系统发电机组的启停方案，P_G为系统发电机组的出力矩阵；

S602：根据历史源荷数据的聚类结果，将相似的源荷数据及其对应的最优决策方案归为同一类，从而将历史映射样本数据也划分为L类。对每一类映射历史源荷数据分别进行归一化处理，转换函数如下：

式中：x_jmin为历史源荷数据中第j个属性的最小值；x_jmax为历史源荷数据中第j个属性的最大值；

S603：对每一类映射样本数据构造一个深度学习模型进行训练，获得N个深度学习模型。