买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东大学

摘要：本发明提供了一种基于深度学习与数学物理模型的机组组合决策方法及系统，属于数据处理技术领域。本发明根据预训练的神经网络模型，以总成本最小为目标，得到代表机组启动状态的二进制变量预测值；根据所述二进制变量预测值设置置信区间，置信区间区间外的二进制变量通过分支剪界算法求解，得到最终的组合决策结果；本发明在处理测试集外的未知案例方面表现良好，可以快速适应电力系统日常运行条件的变化，例如机组检修和系统拓扑结构的变化，由于该方法将离线训练与在线学习相结合，大部分计算负担分配给了离线训练，在线学习有足够的时间学习和提取与机组启停状态变化相关的相关特征来辅助问题求解。

主权项：1.一种基于深度学习与数学物理模型的机组组合决策方法，其特征在于，包括以下过程：将离线训练与在线学习相结合，所述离线训练时，将负荷-机组组合决策方案的历史数据库分类为四个部分：先验集、训练集、验证集和测试集，将训练集中当前案例的负荷数据和先验集中与当前案例相比具有最小欧式距离的机组组合决策方案作为神经网络的输入，训练集中的当前案例的负荷数据对应的机组组合决策方案作为神经网络的输出；根据机组检修和输电网络拓扑结构的变化，生成新的日负荷数据与机组组合决策方案的映射集，以用于所述神经网络模型的在线学习，同时，将机组检修和输电网络拓扑结构的变化数据反映至分支剪界算法的约束变化中；使用离线训练好的Transformer神经网络进行热启动，Transformer神经网络只更新嵌入层和全连接层的参数，其余层冻结，扩展历史数据的搜索范围，通过从所有历史负荷-机组组合决策方案映射集中提取与当前新的日负荷数据相比具有最小欧式距离的相似案例作为神经网络模型在线学习的输入，以神经网络模型的输出作为当前新的日负荷数据对应的机组组合决策方案；根据待决策机组的负荷数据以及预训练的神经网络模型，以总成本最小为目标，得到代表机组启动状态的二进制变量预测值；所述神经网络模型为Transformer神经网络，所述Transformer神经网络包括多头注意力机制、前馈神经网络以及层归一化与随机失活优化；所述代表机组启停的二进制变量的预辨识过程不涉及任何序列到序列的变换，使用编码器架构来辨识机组的启停状态；通过学习历史数据中每日负荷波动和机组启停状态之间的相关性，Transformer神经网络将学习到的经验转移到每日负荷数据的当前输入，并输出相应的预期机组启停状态，先验数据集包含足够数量的样本，以确保所选子集具有代表性，验证集的分割旨在防止过度拟合，提高训练的效率和有效性，在每次完整的训练后，使用验证集来评估训练性能，如果Transformer神经网络的损失函数小于上一次训练的损失函数，则认为该策略有效，并保留当前Transformer神经网络的权重参数；否则，放弃当前训练并进行下一次训练，最后，测试集用于评估该策略的训练效果；所述Transformer神经网络的训练数据样本设计部分考虑了电力系统运行时的复杂性，其中包括了单日负荷-机组组合计划和随时间串联的多日负荷-机组组合计划，在连续时间样本中，后一日机组的累计启停机时间由前一日的机组组合计划中计算得出；而在离散时间样本中，机组的累计启停机时间则在最小启停机时间约束内随机生成；在优化过程中，Transformer神经网络的注意力机制被用来分配权重给二进制变量，这些变量代表机组的启停状态，从而指导其快速收敛到最优解，离线训练后，根据Transformer神经网络提供的二进制变量的预测值设置置信区间，区间内的二进制变量被赋予整数值，而区间外的二进制变量则通过数学优化模块中的分支剪界算法求解，Transformer神经网络提供的信息使得分支剪界算法能够丢弃许多无用的分支，只专注于有价值的子问题，从而有助于搜索最优解，具体区间划分公式如下式所示： 其中，ui,t是机组的启停状态，而α是一个阈值，取值范围从0.01到0.5，Transformer神经网络的输出选择实数而非二进制变量，通过阈值划分步骤生成多组初始解，以向数学优化模块的分支剪界算法提供更多信息，每组初始解对应一个混合整数线性规划模型，多个模型并行计算以获得最终决策，具有最小时间成本的决策将是最终输出；采用神经网络模型通过学习历史负荷和机组启停状态之间的相关性，快速确定大多数与机组启停状态相关的二进制变量，分支剪界算法只需要解决代表机组输出功率的连续变量相关的小规模优化问题；保留机组组合问题的原始安全约束，以便最终决策方案完全符合电力系统安全运行要求；当分支剪界算法在设定时间内无法找到机组组合决策方案时，采用如下三种方案中的耗时最少的方式得到最终的机组组合决策方案：第一方式为：扩展历史数据的搜索范围，通过从所有历史负荷-机组组合决策方案映射集中提取与当前新的日负荷数据相比具有最小欧式距离的相似案例作为神经网络模型在线学习的输入，以神经网络模型的输出作为当前新的日负荷数据对应的机组组合决策方案；第二方式为：增加分支剪界算法所探索的节点数，继续探索神经网络模型提供的原有机组组合决策方案；第三方式为：扩展历史数据的搜索范围，从所有历史负荷-机组组合决策方案映射集中提取与当前新的日负荷数据相比具有最小欧式距离的相似案例，以所述相似案例作为提示案例以使得分支剪界算法得到最优解；以置信区间区间内的多个二进制变量作为初始解，每组初始解对应一个混合整数线性规划模型，采用混合整数线性规划模型中的分支剪界算法进行求解，多个模型并行计算，具有最小时间成本的决策将是最终输出。

全文数据：

权利要求：

百度查询： 山东大学 基于深度学习与数学物理模型的机组组合决策方法及系统