基于输入更新长短期记忆网络的调度自适应学习模型
新能源机组大量接入电力系统和负荷快速变化引入了不确定性.为此,提出了一种基于海量历史数据,利用深度学习方式求解考虑不确定性的实时调度问题的新思路.首先,利用负荷矩阵相关性分析确定面向各调度时刻的训练样本集的基本结构;其次,基于美国PJM电力市场提出的完美调度理念,生成学习模型的训练目标,并构建各自适应学习模型的差异化训练样本集;然后,提出基于输入更新的长短期记忆(LSTM-IIU)网络,构成面向各调度时刻的实时调度自适应学习模型;最后,以WSCC 9节点和IEEE 118节点标准算例验证所提方法的可行性和适用性.与基于非线性优化理论得到的调度方案相比,文中方法能更好地对完美调度方案进行学习,提升考虑不确定性的调度能力.
优化调度、机器学习、数据驱动、长短期记忆网络
46
TP391;TP183;TM73
2023-01-16(万方平台首次上网日期,不代表论文的发表时间)
共10页
26-35