[发明专利]一种基于LSTM的机组组合计算方法

权利要求书

1.一种基于LSTM的机组组合计算方法，其特征在于，包括以下步骤：

步骤一、使用MinMaxScaler归一化方法和K-means聚类算法对机组的历史数据进行预处理，并构建预调度模型和再调度模型，通过两步深度学习得到次日的机组组合计划；所构建的预调度模型和再调度模型采用LSTM神经网络，通过学习大量的历史数据，模型训练完成后得出机组组合映射关系；

步骤二、在实时决策中，调用步骤一中所得到的机组组合映射关系，首先，输入负荷的预测数据，得到机组启停状态；接着，输入机组启停状态和负荷的预测数据，得到机组出力值。

2.根据权利要求1所述的一种基于LSTM的机组组合计算方法，其特征在于，所述MinMaxScaler归一化方法表征为如式(1)所示：

式中，为归一化的值；X为待处理数据，即样本数据；X_max和X_min分别为样本数据的最大值和最小值。

优选地，所述K-means聚类算法是一个循环迭代的算法，通过以下4步实现：

(1)选择K个初始中心点，作为初始聚类中心a₁，a₂，…，a_k；

(2)计算每个样本x_i到K个聚类中心的距离，并将其分到距离最小的类中；

(3)计算K类中所有样本点的均值，作为下一次迭代的聚类中心；

(4)重复步骤(2)、(3)，直到聚类中心不再改变或达到迭代次数。

3.根据权利要求1所述的一种基于LSTM的机组组合计算方法，其特征在于，所述预调度模型包括LSTM神经网络层、Dropout层、全连接层共三个部分，其输入为负荷的预测数据，输出为机组启停状态；

其中，所述LSTM神经网络层是基于RNN改善的结构模型，引入了存储单元和门机制，当前时刻能利用上一时刻句子中的信息；所述LSTM神经网络由4个部分组成：即输入门i_t、输出门o_t、遗忘门f_t和记忆单元C_t；

在所述Dropout层中，Dropout是指在深度学习的训练过程中，每次更新参数时随机断开一定比例的神经元，减弱神经元对某些局部特征的依赖性，从而提高模型的泛化能力；

所述全连接层使用了softmax激励函数作为输出层的多层感知；所述全连接指当前层与前一层网络的所有神经元是相互连接的，将提取的高维特征进行降维；该层；位于网络的末端，最后一层的单元数与分类个数相同，并且与softmax激活函数配合使用，以实现对输出特征的分类。

采用Adam算法对所述预调度模型进行训练，所述训练过程包括前向传播和反向传播两个阶段；首先，在前向传播中计算输入信号的乘积及其对应的权重，然后，将激活函数作用于这些乘积的总和，得到的输出结果与真实值所形成的误差；接着，在网络的反向传播过程中回传所形成的相关误差，通过计算损失函数对于对各参数的梯度，根据梯度下降法对权值W和偏置b进行更新，如式(2)、(3)所示

式中，为学习率，L(W,b)为损失函数；

选取交叉熵误差作为损失函数，计算公式如式(4)所示：

式中，y_i为样本的实际标签，为预测值。

4.根据权利要求1所述的一种基于LSTM的机组组合计算方法，其特征在于，

所述再调度模型的构建方法与上述预调度模型一致，其输入为机组启停状态和负荷的预测数据，输出为机组出力值；

在所述再调度模型的训练过程中，采用Adam算法对参数进行调整，所述训练过程包括前向传播和反向传播两个阶段；首先，在前向传播中计算输入信号的乘积及其对应的权重；然后，将激活函数作用于这些乘积的总和，得到的输出结果与真实值所形成的误差，在网络的反向传播过程中回传相关误差，通过计算损失函数对于对各参数的梯度，根据梯度下降法对权值W和偏置b进行更新，选取均方误差作为损失函数，计算公式如式(5)所示：

式中，y_i为数据样本的真实值，为数据样本的预测值。