[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有效
| 申请号： | 201910872454.0 | 申请日： | 2019-09-16 |
| 公开（公告）号： | CN110674459B | 公开（公告）日： | 2023-03-10 |
| 发明（设计）人： | 杨楠;邓逸天;叶迪;贾俊杰;黄悦华;邾玢鑫;李振华;张涛;刘颂凯;张磊;王灿 | 申请（专利权）人： | 三峡大学 |
| 主分类号： | G06F17/16 | 分类号： | G06F17/16;G06Q10/0637;G06Q50/06;G06F18/214;G06F18/23;G06N3/0442;G06N3/08 |
| 代理公司： | 宜昌市三峡专利事务所 42103 | 代理人： | 余山 |
| 地址： | 443002 *** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 基于 gru seq2seq 技术 数据 驱动 机组 组合 智能 决策 方法 | ||
【主权项】：
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：/n1.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；/n2.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；/n3.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；/n4.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。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于三峡大学，未经三峡大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910872454.0/，转载请声明来源钻瓜专利网。
