[发明专利]基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法

权利要求书

1.基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于，包括以下步骤：

步骤1：使用针对高维机组组合训练样本矩阵的样本编码技术对机组组合历史决策数据的维度进行压缩；

步骤2：在GRU门限循环网络的基础上引入Seq2Seq技术，建立面向机组组合决策的Encoder-Decoder复合神经网络架构；

步骤3：在此基础上构建机组组合深度学习模型，并通过历史数据训练建立系统日负荷与机组启停方案之间的映射模型；

步骤4：利用生成的映射模型进行机组组合决策，求得机组启停状态和最优潮流模型下的机组出力，将得到的机组组合决策结果作为新的历史样本数据，对深度学习模型进行训练，从而实现对模型的持续修正；

在步骤2中，基于GRU门限循环网络和Seq2Seq技术构建Encoder-Decoder复合神经网络架构，具体采用以下步骤：

1)将一个历史映射样本(P_L，U_G)代入Encoder-Decoder架构中，其中，P_L为日负荷数据，U_G为对应的机组启停方案，Encoder架构将P_L分步读入，其在t时刻的GRU神经元隐藏层状态由t-1时刻GRU神经元隐藏层状态和t时刻日负荷共同决定，具体公式为：

h_t＝f(h_t-1,P_Lt) (1)

式中：h_t表示t时刻GRU神经元隐藏层状态；h_t-1表示t-1时刻GRU神经元隐藏层状态；P_Lt表示t时刻输入的日负荷；

2)在Encoder架构中，t时刻GRU神经元隐藏层状态h_t与Encoder架构中间状态相同，在Decoder架构中，使k时刻GRU神经元隐藏层状态h_k与Decoder架构中间状态相同，具体公式为：

式中：C_t表示t时刻Encoder架构中间状态；C_k表示k时刻Encoder架构中间状态；

3)Encoder架构在T时刻输出的中间状态为输入序列的中间状态C，取值为C_T，表示输入序列完整信息，具体如下式：

C＝C_T (3)

4)将序列中间状态C输入Decoder架构，其中，Decoder中间状态初始值C₀与序列中间状态C相同，将C₀输入后可以得到k时刻GRU神经元隐藏层状态h_k，其由k-1时刻GRU神经元隐藏层状态以及k时刻GRU神经元输入共同决定，具体公式为：

h_k＝f(h_k-1,x_k) (4)

式中：h_k-1表示k-1时刻GRU神经元隐藏层状态；x_k表示k时刻GRU神经元输入；

5)k-1时刻Decoder架构输出将作为k时刻GRU神经元输入，具体如下式：

x_k＝U_Gk-1 (5)

式中：U_Gk-1表示k-1时刻Decoder架构输出；

6)将式(5)代入式(4)，同时，Decoder架构执行与Encoder相反的操作，把输入的序列中间状态C按照时间步进行分步解码，形成最终的输出序列，其中k-1时刻Decoder架构中间状态C_k-1与h_k-1相等，k时刻Decoder架构输出由h_k-1、U_Gk-1以及h_k共同决定，具体描述如下：

式中：U_Gk表示k时刻Decoder架构输出；p表示概率；g表示softmax函数；F表示转换函数；

7)以k时刻GRU神经元输入x_k和k-1时刻Decoder架构中间状态C_k-1为变量构建GRU神经元中更新门z_k、重置门r_k以及待定输出值三者具体模型为：

式中：W_r表示x_k和r_k之间的权重系数；W_z表示x_k和z_k之间的权重系数；W_h表示x_k和之间的权重系数；α表示神经网络中激活函数sigmoid；

8)将z_k、r_k以及三者汇总后可以得到GRU神经元隐藏层输出h_k，具体公式为：

式中：h_k-1表示k-1时刻GRU神经元隐藏层输出；

经过以上步骤构建Encoder-Decoder复合神经网络架构。