【技术实现步骤摘要】
本专利技术涉及电网，尤其涉及一种基于机器学习模型的电厂优化调度方法及虚拟控制系统。
技术介绍
1、现有技术中，cn105391060a公开了一种含微电网的配电网优化调度方法，该方法包括计算每一所述微电网的不平衡电量；计算相应微电网的最大输出功率和相应微电网的最大输入功率；建立以每一配网可控型分布式电源的输出功率、每一微电网入口的交互功率和配电网从上级电网购电功率为控制变量，以所述配电网供电成本最小为优化目标的优化模型；计算所述控制变量的最优解，并根据所述最优解对所述配电网进行调度。
2、综上，现有技术虽然能够实现电网调度优化，但仅涉及电网内部节点的功率交互，无法从电网全局考虑调度方案，因此需要一种方案解决现有技术中存在的问题。
技术实现思路
1、本专利技术实施例提供一种基于机器学习模型的电厂优化调度方法及虚拟控制系统，至少能解决现有技术中存在的部分问题。
2、本专利技术实施例的第一方面，提供一种基于机器学习模型的电厂优化调度方法，包括：
3、获取历史电网负荷需求，基于所述历史电网负荷需求生成数据集，将所述数据集划分为训练集和验证集，基于深度学习建立记忆网络模型，确定所述记忆网络模型的结构并定义超参数网格，基于所述超参数网格调整所述记忆网络模型的超参数取值范围，基于所述数据集交叉验证所述记忆网络模型并确定超参数，部署所述记忆网络模型；
4、基于所述记忆网络模型，确定所述记忆网络模型中的输入参数，设定概率分布，通过蒙特卡洛模拟生成随机样本
5、基于所述目标函数，生成果蝇群体并设置个体数量，模拟退火的初始温度和温度衰减系数，其中所述果蝇群体中的每个个体代表所述目标函数的一个解，基于训练完成的果蝇算法重复迭代，得到最优个体，结合所述初始温度和所述温度衰减系数，通过模拟退火算法确定当前最优个体是否被接受，若是，则根据所述目标函数确定调度优化方案。
6、在一种可选的实施方式中，
7、所述获取历史电网负荷需求，基于所述历史电网负荷需求生成数据集，将所述数据集划分为训练集和验证集，基于深度学习建立记忆网络模型，确定所述记忆网络模型的结构并定义超参数网格，基于所述超参数网格调整所述记忆网络模型的超参数取值范围，基于所述数据集交叉验证所述记忆网络模型并确定超参数，部署所述记忆网络模型包括：
8、获取历史电网负荷需求，以时间戳和具体数值的形式进行保存并生成数据集，将所述数据集划分为训练集和验证集，其中，所述训练集占所述数据集的80%，验证集为20%；
9、构建记忆网络模型，确定所述记忆网络模型中的门控循环单元层数量，对于每一个门控循环单元层，根据计算需求确定对应的神经元数量，并设置初始超参数的数值；
10、基于所述初始超参数，定义参数网格，遍历所述参数网格中的每一种超参数组合，基于所述记忆网络模型的结构和任务需求，确定每一种超参数的取值范围，基于所述取值范围，通过交叉验证评估所述记忆网络模型的性能，重复验证直至所有超参数组合都被验证，选择使所述记忆网络模型具有最高性能的超参数组合，记为最优超参数组合，基于所述最优超参数组合部署所述记忆网络模型。
11、在一种可选的实施方式中，
12、所述基于所述记忆网络模型，确定所述记忆网络模型中的输入参数，设定概率分布，通过蒙特卡洛模拟生成随机样本，对于每个输入参数，根据设定的概率分布随机抽取样本并对模型进行求解，得到不确定性，基于所述不确定性评估电网失荷风险，以所述电网失荷风险最小化和运行成本最小化作为目标构建目标函数包括：
13、对于部署完成的记忆网络模型，获取所述记忆网络模型的输入参数，即影响电网负荷需求的天气条件和经济指标；
14、对于所述输入参数，根据数据类型通过离散的概率分布或连续的概率分布确定每个参数对应的概率分布，并为模型误差设置对应的正态分布；
15、对于每个输入参数，根据设定的概率分布，基于概率密度函数进行随机抽样，生成随机样本，将所述随机样本添加至所述记忆网络模型进行求解，得到第一预测结果，计算所述第一预测结果对应的第一标准差，并将所述第一标准差作为所述不确定性；
16、基于所述不确定性，结合电网负荷需求的预测值和额定容量，计算超负荷时间，其中，所述超负荷时间越长，电网失荷风险越大，以所述电网失荷风险最小化和运行成本最小化为目标，构建所述目标函数。
17、在一种可选的实施方式中，
18、所述以所述电网失荷风险最小化和运行成本最小化为目标，构建所述目标函数如下公式所示
19、；
20、其中，f表示目标函数值，e[]+表示期望值操作，d(t)表示在时间段t的预测负荷需求，pgen,i(t)表示在时间段t内第i个发电单元的发电量，t表示总时间段数，ci表示第i个发电单元的单位发电成本，∑t表示对所有时间段t上的期望值进行求和，∑i表示对发电单元的发电量进行求和。
21、在一种可选的实施方式中，
22、基于所述目标函数，生成果蝇群体并设置个体数量，模拟退火的初始温度和温度衰减系数，其中所述果蝇群体中的每个个体代表所述目标函数的一个解，基于训练完成的果蝇算法重复迭代，得到最优个体包括：
23、生成果蝇群体并设置个体数量，模拟退火算法对应的初始温度和温度衰减系数，通过二进制编码将所述果蝇群体中的每个个体表示为二进制向量；
24、对于所述果蝇群体中的每个个体，计算对应第一适应度值，选择具有最高适应度值的个体作为最优个体并通过在所述二进制向量的每个维度添加随机扰动，在所邻域随机生成子代个体；
25、对于所述子代个体，根据预先设置的动态步长，使所述子代个体向所述最优个体移动，重复更新所述子代个体的位置，直至每个子代个体的位置都被更新，计算更新后每个子代个体对应的第二适应度值，将子代个体中个体对应的最小的第二适应度值与所述最优个体对应的第一适应度值比较，若所述第二适应度值大于所述第一适应度值，则使用当前子代个体替换所述最优个体。
26、在一种可选的实施方式中，
27、结合所述初始温度和所述温度衰减系数，通过模拟退火算法确定当前最优个体是否被接受，若是，则根据所述目标函数确定调度优化方案包括：
28、对于所述果蝇群体中每次迭代产生的最优个体，根据所述目标函数计算对应的目标函数值，并应用所述模拟退火算法；
29、对于每个目标函数值，从所述初始温度开始，通过邻域搜索产生备选结果并计算所述备选结果对应的备选目标函数值，若所述备选目标函数值优于所述最优个体对应的目标函数值，则使用备选结果替换当前最优个体，通过降低温度重复更新，直至达到预设的最低温度，得到所述调度优化方案；
30、若所述备本文档来自技高网...
【技术保护点】
1.基于机器学习模型的电厂优化调度方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取历史电网负荷需求，基于所述历史电网负荷需求生成数据集，将所述数据集划分为训练集和验证集，基于深度学习建立记忆网络模型，确定所述记忆网络模型的结构并定义超参数网格，基于所述超参数网格调整所述记忆网络模型的超参数取值范围，基于所述数据集交叉验证所述记忆网络模型并确定超参数，部署所述记忆网络模型包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述记忆网络模型，确定所述记忆网络模型中的输入参数，设定概率分布，通过蒙特卡洛模拟生成随机样本，对于每个输入参数，根据设定的概率分布随机抽取样本并对模型进行求解，得到不确定性，基于所述不确定性评估电网失荷风险，以所述电网失荷风险最小化和运行成本最小化作为目标构建目标函数包括：
4.根据权利要求3所述的方法，其特征在于，所述以所述电网失荷风险最小化和运行成本最小化为目标，构建所述目标函数如下公式所示
5.根据权利要求1所述的方法，其特征在于，基于所述目标函数，生成果蝇群体并设置个体数量
6.根据权利要求1所述的方法，其特征在于，结合所述初始温度和所述温度衰减系数，通过模拟退火算法确定当前最优个体是否被接受，若是，则根据所述目标函数确定调度优化方案包括：
7.根据权利要求5所述的方法，其特征在于，根据预先设置的动态步长，使所述子代个体向所述最优个体移动如下公式所示：
8.基于机器学习模型的电厂优化调度系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种虚拟控制系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.基于机器学习模型的电厂优化调度方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取历史电网负荷需求，基于所述历史电网负荷需求生成数据集，将所述数据集划分为训练集和验证集，基于深度学习建立记忆网络模型，确定所述记忆网络模型的结构并定义超参数网格，基于所述超参数网格调整所述记忆网络模型的超参数取值范围，基于所述数据集交叉验证所述记忆网络模型并确定超参数，部署所述记忆网络模型包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述记忆网络模型，确定所述记忆网络模型中的输入参数，设定概率分布，通过蒙特卡洛模拟生成随机样本，对于每个输入参数，根据设定的概率分布随机抽取样本并对模型进行求解，得到不确定性，基于所述不确定性评估电网失荷风险，以所述电网失荷风险最小化和运行成本最小化作为目标构建目标函数包括：
4.根据权利要求3所述的方法，其特征在于，所述以所述电网失荷风险最小化和运行成本最小化为目标，构建所述目标函数如下公式所示
...
【专利技术属性】
技术研发人员：朱珂，卢浙安，刘开健，费盼峰，魏振界，吴辰璇，郭晗，
申请(专利权)人：杭州和利时自动化有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。