-
公开(公告)号：CN110674459B
公开(公告)日：2023-03-10
申请号：CN201910872454.0
申请日：2019-09-16
Applicant: 三峡大学
IPC: G06F17/16 , G06Q10/0637 , G06Q50/06 , G06F18/214 , G06F18/23 , G06N3/0442 , G06N3/08
Abstract: 基于GRU和Seq2Seq技术的机组组合智能决策方法，包括以下步骤：1.使用针对高维机组组合训练样本矩阵的样本编码技术对机组组合历史决策数据的维度进行压缩；2.在门限循环网络的基础上引入Seq2Seq技术，建立面向机组组合决策的复合神经网络架构；3.在此基础上构建机组组合深度学习模型，并通过历史数据训练建立系统日负荷与机组启停方案之间的映射模型；4.利用生成的映射模型进行机组组合决策，求得机组启停状态和最优潮流模型下的机组出力，将得到的机组组合决策结果作为新的历史样本数据，对深度学习模型进行训练，从而实现对模型的持续修正。本发明的目的是为了解决在采用基于Seq2Seq技术的深度学习模型对差异性样本数据进行训练时，会出现因实际电力系统的机组启停状态矩阵和出力状态矩阵都是高维样本矩阵，而导致训练效率低下的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN110674460B
公开(公告)日：2023-04-07
申请号：CN201910872457.4
申请日：2019-09-16
Applicant: 三峡大学
IPC: G06F17/16 , G06Q10/0637 , G06Q50/06 , G06N3/08
Abstract: 基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法，1.梳理机组组合模型输入输出序列的类型与结构，形成机组组合弹性多序列映射型样本；2.以GRU为神经元构建基于E‑Seq2Seq技术的机组组合深度学习模型；3.对机组组合深度学习模型进行深度学习。相比于现有智能决策方法，本发明所公开的方法能够同时考虑多类型、多维度输入因素对机组组合决策的影响，而且还能够适应样本类型和维度的弹性变化，因而决策精度更高。
-
公开(公告)号：CN110674460A
公开(公告)日：2020-01-10
申请号：CN201910872457.4
申请日：2019-09-16
Applicant: 三峡大学
Abstract: 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法，1.梳理机组组合模型输入输出序列的类型与结构，形成机组组合弹性多序列映射型样本；2.以GRU为神经元构建基于E-Seq2Seq技术的机组组合深度学习模型；3.对机组组合深度学习模型进行深度学习。相比于现有智能决策方法，本发明所公开的方法能够同时考虑多类型、多维度输入因素对机组组合决策的影响，而且还能够适应样本类型和维度的弹性变化，因而决策精度更高。
-
公开(公告)号：CN115563871A
公开(公告)日：2023-01-03
申请号：CN202211234652.2
申请日：2022-10-10
Applicant: 三峡大学
IPC: G06F30/27 , G06F17/15 , G06N3/04 , G06N3/08 , G06N7/00 , G06F111/04 , G06F111/08
Abstract: 一种基于深度强化学习的机组组合智能求解算法，它包括以下步骤：步骤1：进行面向机组组合的马尔科夫决策过程MDP建模；步骤2：进行马尔科夫决策过程MDP模型的求解；步骤3：进行基于策略梯度算法的MDP模型求解；步骤4：通过Lambda迭代求解机组实际功率输出方案；通过步骤1至步骤4获得基于深度强化学习的机组组合智能求解算法。本发明的目的是为了解决现有用于UC决策领域的基于深度学习构建的传统模型适应性不强、决策精度不高的技术问题，而提供的一种基于深度强化学习的机组组合智能求解算法。
-
公开(公告)号：CN116306864A
公开(公告)日：2023-06-23
申请号：CN202310033698.6
申请日：2019-09-16
Applicant: 三峡大学
IPC: G06N3/08 , G06N3/0442 , G06Q10/0637 , G06Q50/06 , G06F18/214 , G06F18/23
Abstract: 一种对电力系统的深度学习模型进行训练的方法，包括以下步骤：步骤1：通过Encoder‑Decoder架构以平均绝对误差MAE为基础构建损失函数；步骤2：使用Adam算法作为神经元权重的更新算法以实现Encoder‑Decoder架构内GRU神经元各参数的训练；步骤3：利用Adam算法自适应地寻找各参数的学习率。本发明的目的是为了解决在采用基于Seq2Seq技术的深度学习模型对差异性样本数据进行训练时，会出现因实际电力系统的机组启停状态矩阵和出力状态矩阵都是高维样本矩阵，而导致训练效率低下的技术问题。
-
公开(公告)号：CN110674459A
公开(公告)日：2020-01-10
申请号：CN201910872454.0
申请日：2019-09-16
Applicant: 三峡大学
Abstract: 基于GRU和Seq2Seq技术的机组组合智能决策方法，包括以下步骤：1.使用针对高维机组组合训练样本矩阵的样本编码技术对机组组合历史决策数据的维度进行压缩；2.在门限循环网络的基础上引入Seq2Seq技术，建立面向机组组合决策的复合神经网络架构；3.在此基础上构建机组组合深度学习模型，并通过历史数据训练建立系统日负荷与机组启停方案之间的映射模型；4.利用生成的映射模型进行机组组合决策，求得机组启停状态和最优潮流模型下的机组出力，将得到的机组组合决策结果作为新的历史样本数据，对深度学习模型进行训练，从而实现对模型的持续修正。本发明的目的是为了解决在采用基于Seq2Seq技术的深度学习模型对差异性样本数据进行训练时，会出现因实际电力系统的机组启停状态矩阵和出力状态矩阵都是高维样本矩阵，而导致训练效率低下的技术问题。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
