[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

说明书

基于GRU和Seq2Seq技术的机组组合智能决策方法，包括以下步骤：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；2.在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复合神经网络架构；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；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。本发明的目的是为了解决在采用基于Seq2Seq技术的深度学习模型对差异性样本数据进行训练时，会出现因实际电力系统的机组启停状态矩阵和出力状态矩阵都是高维样本矩阵，而导致训练效率低下的技术问题。

技术领域

本发明属于电力系统及自动化研究领域，尤其是涉及深度学习智能算法的机组组合决策方法的研究。

背景技术

开放成熟的电力市场往往需要一个独立的电力市场运营机构(IndependentSystem Operators，ISO)来维持其安全可靠运行，而考虑安全约束的机组组合(SecurityConstrained Unit Commitment，SCUC)问题是ISO决策的重要理论基础。近年来世界范围内电力市场发展迅速，这一方面需要ISO具有强大的计算工具来维持市场运营，制定智能化、精细化的日前发电计划；另一方面，随着诸如电动汽车、间歇性能源、需求侧管理等能源新技术的大量应用，ISO决策所面临的挑战也层出不穷。因此，研究具有高适应性、高精度的SCUC决策理论，对于电力工业的发展与市场化具有重要的理论和工程意义。

根据所考虑的因素不同，目前的机组组合大致可分为多目标机组组合、不确定性的机组组合、考虑多元化约束条件和决策变量的机组组合等几类。总体来看，目前机组组合问题的研究虽然侧重点各有不同，但都是首先从实际工程问题出发，在机理研究的前提下提出数学模型，然后再研究相应数学方法进行求解。该类研究的思路都是以严密的逻辑推导和机理研究为基础，以数学模型和算法为驱动，因而可以被称为基于物理模型驱动的机组组合决策方法。由于此类方法在面对不断涌现的新问题时需要对模型本身进行修改和重构，因而，在当今能源变革日新月异、理论挑战层出不穷的背景下，这种研究思路可能出现适用性不足的情况。

就工程实际而言，机组组合决策方法一旦用于实际，往往会积累大量结构化的历史数据，从长期来看，机组组合决策也具有一定的重复性，如果能够提出一种基于数据驱动的机组组合决策方法，不研究其内在机理，而是基于深度学习方法，利用海量历史决策数据训练，直接构建已知输入量和决策结果间的映射关系，并通过历史数据的积累实现对模型的持续性修正，从而赋予机组组合决策以自我进化、自我学习的能力。这种基于数据驱动的决策方法不仅可以大大简化机组组合问题建模、求解的过程和复杂度，还可以通过其自我学习来应对不断涌现的各种理论问题和挑战，然而目前人们对于该领域的研究还比较少见。有文献针对机组组合样本数据的时序特性，例如论文--《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》首次采用一种循环神经网络，即长短时记忆网络(LongShort-Term Memory，LSTM)为核心训练工具，成功构建了一种基于数据驱动的机组组合决策模型，并验证了该方法的自我进化特性以及其面对不同机组组合问题的适应性。但是该文献中的方法依然存在以下问题：

1)由于LSTM模型过于复杂，导致其在处理高维度的训练样本时，不仅需要大量的计算资源，而且容易出现过拟合现象。相比而言，循环神经网络中的最新改进型，门限循环网(Gated Recurrent Unit，GRU)在LSTM的基础上将输入门与遗忘门合并，并对记忆单元进行简化，可以有效降低模型的复杂度；