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研究

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。