一种基于深度学习的自适应经济调度系统及方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113935600A(43)申请公布日2022.01.14(21)申请号202111149873.5(51)Int.Cl.(22)申请日2021.09.29G06Q10/06(2012.01)G06Q50/06(2012.01)(71)申请人国网宁夏电力有限公司G06N3/04(2006.01)地址750010宁夏回族自治区银川市长城G06N3/08(2006.01)东路288号申请人北京科东电力控制系统有限责任公司(72)发明人马军张越王运蒙飞刘刚王鑫高任龙朱仔新白鹭孙阳张静忠余建明单连飞张连超刘艳(74)专利代理机构武汉开元知识产权代理有限公司42104代理人李满权利要求书4页说明书9页附图2页(54)发明名称一种基于深度学习的自适应经济调度系统及方法(57)摘要本发明公开了一种基于深度学习的自适应经济调度系统，其特征在于：它包括负荷矩阵构建模块、自适应学习模型及训练样本集构建模块、学习模型的训练目标构建模块、差异化训练样本集构建模块、长短期记忆网络构建模块和实时经济调度自适应学习模型构建模块；本发明基于完美调度理念生成学习模型训练目标，并利用系统中存储的海量历史数据对LSTM‑IIU网络对进行训练，一旦学习模型构建完成，将目标调度时刻的预测数据输入即可得到对应的实时经济调度方案。CN113935600ACN113935600A权利要求书1/4页1.一种基于深度学习的自适应经济调度系统，其特征在于：它包括负荷矩阵构建模块(1)、自适应学习模型及训练样本集构建模块(2)、学习模型的训练目标构建模块(3)、差异化训练样本集构建模块(4)、长短期记忆网络构建模块(5)和实时经济调度自适应学习模型构建模块(6)；其中，负荷矩阵构建模块(1)用于利用负荷中各机组出力在时间上的连续性和负荷预测数据的时空复杂度，构建面向各调度时刻预测负荷矩阵；自适应学习模型及训练样本集构建模块(2)用于针对面向各调度时刻预测负荷矩阵利用矩阵相关性分析筛选各调度时刻的关键历史时刻，并以各调度时刻的关键历史时刻确定面向各调度时刻的自适应学习模型；学习模型的训练目标构建模块(3)用于对各调度时刻的自适应学习模型利用完美调度理论生成各调度时刻自适应学习模型的训练目标；差异化训练样本集构建模块(4)用于对当前调度时刻的负荷矩阵与历史调度时刻的负荷矩阵做相似度系数计算，将大于设定相似度系数的历史调度时刻负荷矩阵作为当前调度时刻负荷矩阵的关键特征，形成差异化样本集；长短期记忆网络构建模块(5)用于将各调度时刻自适应学习模型的负荷预测误差作为长短期记忆网络的内部输入得到基于负荷测误差更新的长短期记忆网络；实时经济调度自适应学习模型构建模块(6)用于利用基于负荷测误差更新的长短期记忆网络构建面向各调度时刻的实时经济调度自适应学习模型。2.根据权利要求1所述的基于深度学习的自适应经济调度系统，其特征在于：它还包括实时经济调度自适应学习模型训练模块(7)，实时经济调度自适应学习模型训练模块(7)用于将对差异化训练样本集和各调度时刻自适应学习模型的训练目标输入到面向各调度时刻的实时经济调度自适应学习模型中进行训练，将电网断面负荷输送到训练完成后的各调度时刻的实时经济调度自适应学习模型中得到各机组调节出力。3.根据权利要求1所述的基于深度学习的自适应经济调度系统，其特征在于：所述面向各调度时刻预测负荷矩阵为：式中，为调度时刻t对应的预测负荷矩阵，m为负荷数据的时间跨度，n为系统中的负荷节点数，表示第m天调度时刻t时，节点n处的负荷预测值；调度时刻t的历史时刻i的取值为1到k，每个调度时刻有k个关于历史时刻的预测负荷矩阵其结构如下：2CN113935600A权利要求书2/4页式中，为历史时刻t‑i的预测负荷矩阵，表示第m天历史时刻t‑i时，节点n处的负荷预测值；为了量化矩阵和矩阵之间的相关性，确定各调度时刻的关键历史时刻，将皮尔逊相关系数法由向量层面扩展到矩阵层面以计算相关系数，其计算公式如下所示：式中，r表示两个矩阵之间的相关系数，和分别为矩阵和中元素的平均值，e为矩阵乘法，∑表示按行或列对矩阵中元素求和；调度时刻t共有k个历史时刻，且面向每个历史时刻分别构建一个负荷预测矩阵因此关于调度时刻t的相关系数r共有k个，相关系数r大于0，则说明和存在正相关关系，且r越大表示两者之间的相关性越强；在得到调度时刻t与k个历史时刻的相关系数后，为确定其关键历史时刻，将相关系数按降序进行排列，计算相邻两个相关系数差值的数量级，大于预设相关系数阈值的相关系数所对应的历史时刻即为该调度时刻的关键历史时刻，以各调度时刻的关键历史时刻确定面向各调度时刻的自适应学习模型。4.根据权利要求3所述的基于深度学习的自适应经济调度系