[发明专利]一种基于LSTM的机组组合计算方法

说明书

本发明公开了一种基于LSTM的机组组合计算方法，使用MinMaxScaler归一化方法和K‑means聚类算法对历史数据进行处理，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。所提出的深度学习模型采用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。在实时决策中，调用训练好的深度学习模型，即可直接得到机组组合计划，无需通过复杂的物理模型计算。第一步，输入负荷的预测数据，得到机组启停状态；第二步，输入机组启停状态和负荷的预测数据，得到机组出力。

技术领域

本发明属于电力系统调度自动化技术领域，具体涉及一种基于LSTM的机组组合计算方法。

背景技术

目前，机组组合问题的研究多集中于基于物理模型驱动的决策方法。这种方法往往侧重于机理研究，从实际工程问题抽离出数学模型，再利用数学方法简化模型，最后根据模型的特点选取合适的求解算法，整个过程以严谨的数学推导作为支撑。这类方法的优点是逻辑清晰，可解释性强，但存在以下缺陷：模型的建立和求解的过程都较为复杂；求解大规模系统耗费的时间较长；新能源、新技术、新结构会给电力系统带来新的挑战，以往的模型和算法可能不再适用，需要不断地调整和更新。相较而言，以深度学习为基础的数据驱动机组组合决策方法是一种更为有效的新思路，深度学习作为新兴的研究热点，正逐步应用于电力系统优化调度的各领域。但是，如何从大量历史数据学习机组组合映射关系，又成为了一个值得研究的问题。

发明目的

本发明的目的在于应对现有技术所存在的不足，供了一种基于LSTM的机组组合计算方法，该方法所提出的深度学习模型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，在实时决策中，调用训练好的深度学习模型，即可直接得到机组组合计划，无需通过复杂的物理模型计算。

发明内容

本发明提供了一种基于LSTM的机组组合计算方法，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。

优选地，所述所述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。

优选地，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；