[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

说明书

本发明公开了基于场景缩减‑深度学习的梯级水电短期调度决策方法，属于电力调度技术领域，首先基于SR算法进行历史调度数据的分类预处理，然后利用DL技术构建基于长短时记忆网络(LSTM)的梯级水电短期调度深度学习模型，然后按类采用历史调度数据训练深度学习模型，得到相应的已知输入参数和决策结果间的映射模型，最后，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。本发明基于数据驱动的思路，解决了传统求解思路适用性低、难以考虑历史数据和历史调度方案的不足。该方法不仅可以在实际运行中不断提升决策精度和效率，而且在考虑风、光等不确定性电源与水电联合运行时适应性更好。

技术领域

本发明属于可再生能源技术领域，具体涉及基于场景缩减-深度学习的梯级水电短期调度决策方法。

背景技术

随着我国西南西北地区大规模梯级水电的快速发展，研究高适用度和高效率的梯级水电短期调度决策方法具有重要的理论意义和应用价值。

传统基于机理驱动的求解思路聚焦于优化模型和优化算法，虽概念逻辑清晰但忽视了历史数据和历史决策方案且模型算法修改困难。

而现阶段随着人工智能的发展，基于数据驱动的求解方案因其不研究短期调度的内在机理、通过大量历史数据训练直接构建输入输出之间的映射关系、高效且易修改等优势，在电力系统中得到了广泛采用。

发明内容

发明目的：本发明的目的在于提供基于场景缩减-深度学习的梯级水电短期调度决策方法，用于求解复杂的多周期、非线性梯级水电短期调度问题。

技术方案：为实现上述目的，本发明提供如下技术方案：

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；

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。

进一步地，所述步骤1)中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。

进一步地，所述步骤1)中，包括如下步骤：

Step 1：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；

Step 2：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；