[发明专利]一种基于可变结构深度学习框架的短期调度规则提取方法

说明书

一种基于可变结构深度学习框架的短期调度规则提取方法，包括：步骤1、构建深度学习网络；步骤2、输入因子‑决策变量样本对选择；步骤3、将步骤2的样本数据归一化；步骤4、关键超参数选择与优化；步骤5、网络重构；步骤6、网络训练：利用步骤5得到的重构网络，输入步骤3得到的样本进行网络学习，得到最终深度学习网络，此网络即为提取的短期调度规则。本发明立足电站实际历史运行数据，构建基于长短期记忆网络的深度学习网络模型，挖掘实际运行过程中蕴含的内在规律，建立电站短期调度规则，将电站调度期初末水位、期间来水过程以及电站受电网负荷过程作为输入因子，电站时段末水位作为决策变量，使模型输出结果更适用于实际调度过程。

技术领域

本发明涉及水电能源优化领域，具体是一种基于可变结构深度学习框架的短期调度规则提取方法。

背景技术

水电站确定性优化调度将来水与电网负荷作为确定的时间序列输入，然而，径流预报与电网负荷预测均具有精度有限与预见期受限的特点，预测误差使得水电站确定性优化调度结果在实际运行中难以得到很好应用。

隐随机优化调度主要思想是通过挖掘确定性优化调度长序列成果中蕴含的内在规律，略去繁杂的模型求解过程，提取出输入因子与调度决策之间的物理成因关系，进而形成调度规则。但由于该方法的训练数据源仍是优化调度结果，获取模型的训练样本数据较为困难，也导致得到的调度结果难以应用于实际生产过程。

发明内容

本发明目的在于提供一种基于可变结构深度学习框架的短期调度规则提取方法，立足电站实际历史运行数据，构建基于长短期记忆网络的深度学习网络模型，挖掘实际运行过程中蕴含的内在规律，建立电站短期调度规则，将电站调度期初末水位、期间来水过程以及电站受电网负荷过程作为输入因子，电站时段末水位作为决策变量，使模型输出结果更适用于实际调度过程。

本发明涉及一种基于可变结构深度学习框架的短期调度规则提取方法，包括以下步骤：

步骤1、构建深度学习网络：根据应用场景与训练数据，以LSTM层为基础，固定最后两层为全连接层，其中第一层全连接层用于对LSTM层的输出进行加权，得到完整的信息矩阵，再通过Dropout机制连接到下一层全连接层，从而得到最终的网络输出；

步骤2、输入因子-决策变量样本对选择：以天为调度期，小时为调度时段，选取调度期初末水位(Z₁,Z₂₄)、电站一天的来水过程(Q₁,Q₂,...,Q₂₄)以及电站送电电网的负荷过程(L₁,L₂,...,L₂₄)为输入因子，以时段末水位Z_t(t＝1,2,3,...,24)为决策变量，选取n对输入因子-决策变量作为样本，如公式(1)所示：

其中，样本1～n₁作为训练集样本，其余作为测试集样本；

步骤3、将步骤2的样本数据归一化；

步骤4、关键超参数选择与优化：在构建的深度学习网络结构中，采用控制变量法，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化；

步骤5、网络重构：运用差分进化算法，以训练集样本与测试集样本的拟合结果与实际结果的均方差和最小为目标优化步骤4中选择出的超参数，得到最优网络结构；

步骤6、网络训练：利用步骤5得到的重构网络，输入步骤3得到的样本进行网络学习，得到最终深度学习网络，此网络即为提取的短期调度规则。

进一步的，步骤3中样本数据归一化采用标准化的处理方式使样本的方差为1均值为0，如公式(2)、(3)所示：