[发明专利]基于场景缩减-深度学习的梯级水电短期调度决策方法

权利要求书

1.基于场景缩减-深度学习的梯级水电短期调度决策方法，其特征在于：包括以下步骤：

1)基于SR算法构建场景缩减分类器进行历史调度数据的分类预处理，场景缩减分类器的初始化如下：

输入：待划分数据集I＝{I¹,I²,...,I^m}

输出：已划分数据集

其中，I表示待分类的历史调度数据集，1,2,…,m表示m个场景数；C表示划分后历史调度数据集，λ₁,λ₂,...,λ_k表示k个分类类别；Φ为空集；

具体包括如下步骤：

Step1：计算每对场景的Kantorovich距离KD，并构造包含所有场景和彼此关联距离的Kantorovich距离矩阵KDM；两个场景Iⁱ和I^j之间的KD定义为：

其中n_T是优化问题中的阶段数；s是阶段；v_s是场景在阶段s的向量值；i和j是分配的场景编号，即1,…,m；

Step2：对于评估的场景Iⁱ找到具有最小KD值(min{KD(Iⁱ,I^j)})的场景I^j，j≠i；

Step3：对于Step2中的每对场景，计算：min{KD(Iⁱ,I^j)×P[Iⁱ]},其中P[Iⁱ]是评估场景的概率；比较KDM中所有场景对的值，并消除值最小的场景；

Step4：在消除一个场景后构建新的KDM；将消除的场景的概率与最接近它的场景的概率相加；

Step5：重复Step2-Step4，在每次迭代期间消除1个场景，直到剩余场景满足预期值k，得到k个场景记为{μ¹,μ²,...,μ^k}；

Step6：将Step5中得到的k个场景作为分类标签，对原始待划分场景集I进行分类；计算样本Iⁱ和k个场景向量μ^j(j＝1,2,...,k)的欧式距离：在已划分数据集中将Iⁱ最小的d_ij标记为所对应的类别λ_i，i＝1,2,...,k；此时更新已划分数据子集

Step7：输出已划分数据集

2)利用DL技术构建基于长短时记忆网络的梯级水电短期调度深度学习模型；

3)将步骤1)得到的历史调度数据按类送入深度学习模型训练，得到相应的已知输入参数和决策结果间的映射模型，然后将训练好的深度学习模型运用于实际的梯级水电短期调度策略的制定。