论文摘要
在能源技术变革日新月异、人工智能技术快速发展的背景下,研究具有高适应性、高精度的机组组合决策方法具有重要意义。该文基于长短时记忆网络,通过构建面向机组组合问题的深度学习模型,提出一种基于数据驱动具有自我学习能力的机组组合智能决策方法。首先基于K-means算法对历史调度数据进行聚类预处理;然后构建基于长短时记忆网络的机组组合深度学习模型,通过历史数据训练建立系统负荷与调度决策结果之间的映射模型,以此为基础进行机组组合决策;最后通过积累历史数据实现对模型的持续修正,从而赋予其自我进化、自我学习的能力。基于标准算例、实际电网数据的一系列仿真结果表明:相比于传统决策方法,该方法不仅可以在实际使用过程中不断提升其决策精度或效率,且在面对不同类型的机组组合问题时适应性更好。
论文目录
文章来源
类型: 期刊论文
作者: 杨楠,叶迪,林杰,黄禹,董邦天,胡文斌,刘颂凯
关键词: 数据驱动,深度学习,自我学习能力
来源: 中国电机工程学报 2019年10期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 新能源微电网湖北省协同创新中心(三峡大学)
基金: 国家自然科学基金项目(51607104)~~
分类号: TM73
DOI: 10.13334/j.0258-8013.pcsee.180504
页码: 2934-2946
总页数: 13
文件大小: 1122K
下载量: 932