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：长春工业大学

摘要：本发明为一种考虑置信区间的深度学习机组组合问题求解方法，属于电力系统规划技术领域。该方法分为两个阶段。在第一阶段，通过对负荷和风电数据进行场景生成，获得包含多个负荷、风电场景和机组启停决策的数据集，并将其输入深度学习网络进行训练，得到初始启停决策结果。在第二阶段，根据机组启停决策误差划分出不同的置信区间，分别处理各区间内的机组决策。最后，将处理后的启停决策输入数学规划模型进行求解，获得满足物理约束条件的机组功率和启停决策方案。结果表明，与运筹学模型相比，所提方法显著提升机组组合问题的求解效率。该方法有利于减少电力资源浪费和维护电力系统稳定性，对于机组组合问题的发展具有重要意义。

主权项：1.一种考虑置信区间的深度学习机组组合问题求解方法，其特征在于，所述方法包括以下操作：在第一阶段，首先获得一组基准风电和负荷数据其次，利用进行场景生成，即以基准数据中自身数值作为正态分布的期望值，标准差为自身数值的10％，通过蒙特卡洛模拟和拉丁超立方抽样生成样本，并从生成的样本中选出m个样本与基准数据中的一起构成深度学习网络模型输入；在第二阶段，根据机组启停决策误差划分出不同的置信区间，分别处理各区间内的机组决策：首先是计算机组启停决策误差αg，公式如下所示： 式中：eg，t为与之间的绝对差值；是深度学习网络模型输出的机组状态结果；是数学规划模型计算得到的机组状态结果；N表示的是样本数；T是时间段的数量；其次是置信区间的划分与处理：当αg＝0的时候，表明对于机组g的开关机状态预测准确率已达到100％；在这种情况下，由于机组g的启停决策始终符合最小启停时间及逻辑约束，因此不需要进行额外的可行性检查；将这一区间的结果带入数学规划模型进行求解时，这些变量将被直接设置为固定值；当0＜αg≤R1的时候，深度学习输出的启停决策质量较高；然而，由于存在误差，仍需对这一部分的深度学习输出结果进行可行性检查，以确保其符合机组数学规划模型的约束条件；可行性检查如下所示： 式中：是到欧氏距离最小的可行解；vg，i是机组g在时刻i的启动状态，二进制变量，1表示机组启动，0表示机组未启动；wg，i是机组g在时刻i的关闭状态，二进制变量，1表示机组关闭，0表示机组未关闭；为机组g的最小启动时间；为机组g最小关机时间；机组g的初始时刻状态，二进制变量，1表示机组g初始时刻处于开启状态；0表示机组g初始时刻处于关闭状态；TUg是机组g在调度开始前，机组必须保持运行的时间；TDg是机组g在调度开始前，机组必须保持关闭的时间；是在调度之前机组g已经保持开启的时间；是在调度之前机组g已经保持关闭的时间；在可行性检查后，使用新生成的启停决策代替初始输出结果由于该区间的预测误差极小，通过可行性检查后得到的启停决策与最优解一致；因此，在将该区间中的启停决策带入数学规划模型进行后续求解时，这一区间的输出结果同样被设置为固定值；当R1＜αg≤R2的时候，由于预测误差不能够忽略，即使经过可行性检查之后得到的结果，与最优解仍有一段距离；因此，这部分的结果不能够在后续的求解之中被设置为固定值；但是这部分结果对于后续求解仍然具有参考价值，所以并不会将其舍弃；而是将这部分结果在后续求解中设置为模型的热启动初值，以提供一个更优的初始解；当αg＞R2的时候，由于这部分结果与真实结果相比误差极大，对后续求解参考价值不高，所以直接将其舍弃；在后续数学规划模型求解过程中，这部分的结果将直接被设置为系统默认值；最后，将处理后的启停决策输入数学规划模型进行求解，获得刚性满足物理约束条件的机组功率和启停决策方案。

全文数据：

权利要求：

百度查询： 长春工业大学 一种考虑置信区间的深度学习机组组合问题求解方法