一种基于深度学习的自适应经济调度系统及方法与流程

1.本发明涉及电力系统技术领域，具体地指一种基于深度学习的自适应经济调度系统及方法。


背景技术：

2.经济调度是电力系统经济运行的核心。在实际系统运行中，经济调度被视为含不确定性的非线性优化问题进行建模求解，其关键是对系统负荷预测数据、风电出力预测数据等不确定性因素的精确建模，因此调度方案的准确性主要取决于对不确定性因素建模的准确性。但随着负荷结构的不断升级以及可再生能源发电的大规模并网，给电力系统带来了更多的不确定性，基于预测数据的调度方案可能严重偏离实际应采用的调度方案，一旦发电量与负荷需求之间出现较大偏差，就可能引起频率偏差，进而影响系统的安全稳定运行。
3.为了有效解决不确定性给调度方案带来的偏差，现有针对含不确定性的经济调度建模方法通常分为两类，即概率建模方法和鲁棒建模方法。其中，确定负荷预测值、新能源出力预测值等随机变量的概率密度函数是概率建模方法的核心环节，通常认为负荷预测值服从正态分布，而风电等可再生能源出力预测值服从weibull分布、beta分布等。但由于可再生能源其自身固有的波动性、间歇性及随机性，很难用一种固定的概率密度函数对其进行精确描述，因此相关学者将模糊集理论引入到经济调度优化建模中，利用模糊变量代替随机变量以实现对可再生能源出力预测偏差等的精确描述。此外，部分学者将随机规划理论中的机会约束规划引入到经济调度优化建模中，即将模型中的约束条件转化为概率形式。利用此方法得到的调度方案，应在一定概率水平下满足系统约束，这直接反映了调度人员对系统运行风险与运行成本之间平衡的考虑。然而，不管是模糊建模方法中表征模糊变量的隶属度函数的选择，还是机会约束规划建模方法中概率水平的确定，都是由调度运行人员根据个人经验主观决定的，不同调度运行人员对同一个场景可能有不同的认知和判断。此外，利用概率建模所得到的结果通常为多个或一组调度方案，调度运行人员需要进一步筛选以确定最佳方案。然而在实际的系统运行中，调度运行人员需要的是一个确切、客观、可靠且唯一的调度方案。基于鲁棒优化思想的经济调度求解方法的核心思想则是寻找不确定性范围内的极端场景，并要求在此场景下得到的调度方案仍能满足系统的运行约束。由于该调度方案考虑的是系统运行的安全性，因此在一定程度上无法满足调度的经济性原则。
4.随着机器学习技术的快速发展，相关学者延续经济调度作为优化问题的基本思想，尝试利用强化学习算法对其建模求解。文献构建了基于深度强化学习的经济调度动态模型，并针对新能源引起的调度不确定性选用深度确定性策略梯度算法进行建模。文献则尝试将深度确定性策略梯度算法应用于综合能源系统的动态经济调度中。虽然这类方法能有效解决系统中的不确定性，但其本质上仍是将经济调度问题视为优化问题，并将人工智能技术作为优化问题的求解手段，即基本的建模思想并没有改变。
5.此外，为了有效解决经济调度问题中的不确定性，美国pjm电力市场提出了完美调度理念。该方法的核心思想是在充分了解负荷实际值、新能源出力实际值等系统实际运行条件的前提下，在实时市场结束后重新计算各机组出力情况，并将其作为该实时市场的完美调度方案。将完美调度方案与实时调度方案进行对比，找出导致两套调度方案存在偏差的原因，并为以后调度运行提供经验指导。但目前，完美调度采用人工手动的离线执行方式，尚无法自动执行。


技术实现要素：

6.本发明的目的就是要提供一种基于深度学习的自适应经济调度系统及方法，本发明基于完美调度理念生成学习模型训练目标，并利用系统中存储的海量历史数据对lstm-iiu网络对进行训练，一旦学习模型构建完成，将目标调度时刻的预测数据输入即可得到对应的实时经济调度方案。
7.为实现此目的，本发明所设计的基于深度学习的自适应经济调度系统，其特征在于：它包括负荷矩阵构建模块、自适应学习模型及训练样本集构建模块、学习模型的训练目标构建模块、差异化训练样本集构建模块、长短期记忆网络构建模块和实时经济调度自适应学习模型构建模块；
8.其中，负荷矩阵构建模块用于利用负荷中各机组出力在时间上的连续性和负荷预测数据的时空复杂度，构建面向各调度时刻预测负荷矩阵；
9.自适应学习模型及训练样本集构建模块用于针对面向各调度时刻预测负荷矩阵利用矩阵相关性分析筛选各调度时刻的关键历史时刻，并以各调度时刻的关键历史时刻确定面向各调度时刻的自适应学习模型；
10.学习模型的训练目标构建模块用于对各调度时刻的自适应学习模型利用完美调度理论生成各调度时刻自适应学习模型的训练目标；
11.差异化训练样本集构建模块用于对当前调度时刻的负荷矩阵与历史调度时刻的负荷矩阵做相似度系数计算，将大于设定相似度系数的历史调度时刻负荷矩阵作为当前调度时刻负荷矩阵的关键特征和应该记忆的特征，形成差异化样本集；
12.长短期记忆网络构建模块用于将各调度时刻自适应学习模型的负荷预测误差作为长短期记忆网络的内部输入得到基于负荷测误差更新的长短期记忆网络；
13.实时经济调度自适应学习模型构建模块用于利用基于负荷测误差更新的长短期记忆网络构建面向各调度时刻的实时经济调度自适应学习模型。
14.本发明的有益效果：
15.本文提出了一种基于深度学习方式的实时经济调度问题建模求解新方法，该方法基于完美调度理念，利用系统中存储的海量历史调度数据对lstm-iiu(long short-term memory based internal input update，基于负荷测误差更新的长短期记忆网络)网络进行训练，构建面向各调度时刻的自适应学习模型，以获得对应的实时经济调度方案。
16.该方法的创新点主要体现在三个层面：
17.首先，本文提出了一种求解实时经济调度问题的新思路，将其视为学习问题而非优化问题，并利用lstm-iiu网络进行建模求解；其次，充分考虑负荷的时空特性，利用矩阵相关性分析方法筛选各调度时刻的关键历史时刻，并基于此确定了学习模型的自适应结构
并构建了对应的差异化训练样本集；然后，本文将预测误差作为lstm网络的内部输入，提出了更适于实时经济调度问题的lstm-iiu网络，并利用该网络面向不同调度时刻构建了基于lstm-iiu网络的自适应学习模型。
18.本文所提出的面向实时经济调度的基于lstm-iiu网络的自适应学习模型是一种从离线历史调度数据中快速提取知识的方法，一旦模型构建完成，调度人员可以根据目标调度时刻从模型库中抽取对应模型，将对应时刻的预测数据输入模型即可得到相应的调度方案。
附图说明
19.图1为本发明的结构示意图；
20.图2为本发明中相关系数计算流程；
21.图3为本发明中lstm网络及其记忆模块结构；
22.图4为本发明中lstm-iiu网络记忆模块结构；
23.其中，1—负荷矩阵构建模块、2—自适应学习模型及训练样本集构建模块、3—学习模型的训练目标构建模块、4—差异化训练样本集构建模块、5—长短期记忆网络构建模块、6—实时经济调度自适应学习模型构建模块、7—实时经济调度自适应学习模型训练模块。
具体实施方式
24.以下结合附图和具体实施例对本发明作进一步的详细说明：
25.如图1所示基于深度学习的自适应经济调度系统，其特征在于：它包括负荷矩阵构建模块1、自适应学习模型及训练样本集构建模块2、学习模型的训练目标构建模块3、差异化训练样本集构建模块4、长短期记忆网络构建模块5、实时经济调度自适应学习模型构建模块6和实时经济调度自适应学习模型训练模块7；
26.其中，负荷矩阵构建模块1用于利用负荷中各机组出力在时间上的连续性和负荷预测数据的时空复杂度，构建面向各调度时刻预测负荷矩阵；
27.自适应学习模型及训练样本集构建模块2用于针对面向各调度时刻预测负荷矩阵利用矩阵相关性分析筛选各调度时刻的关键历史时刻，并以各调度时刻的关键历史时刻确定面向各调度时刻的自适应学习模型；
28.学习模型的训练目标构建模块3用于对各调度时刻的自适应学习模型利用完美调度理论生成各调度时刻自适应学习模型的训练目标；
29.差异化训练样本集构建模块4用于对当前调度时刻的负荷矩阵与历史调度时刻的负荷矩阵做相似度系数计算，将大于设定相似度系数的历史调度时刻负荷矩阵作为当前调度时刻负荷矩阵的关键特征，形成差异化样本集，关键特征用于提升当前调度时刻与历史调度时刻的关联性，从而提升模型的学习和历史信息记忆能力，使学习模型具有更强的自适应能力；
30.长短期记忆网络构建模块5用于将各调度时刻自适应学习模型的负荷预测误差作为长短期记忆网络的内部输入得到基于负荷测误差更新的长短期记忆网络；
31.实时经济调度自适应学习模型构建模块6用于利用基于负荷测误差更新的长短期
记忆网络构建面向各调度时刻的实时经济调度自适应学习模型。
32.实时经济调度自适应学习模型训练模块7用于将对差异化训练样本集和各调度时刻自适应学习模型的训练目标输入到面向各调度时刻的实时经济调度自适应学习模型中进行训练，将电网断面负荷输送到训练完成后的各调度时刻的实时经济调度自适应学习模型中得到各机组调节出力。
33.上述技术方案中，调度方案在时间上具有显著的短时连续性，即当前时刻各机组的出力是在上一时刻各机组出力的基础上进行调整的。同时，由于不同调度时刻用电需求存在明显差异，因此需要分析各个调度时刻与历史时刻之间的相关性，以确定其各自的关键历史时刻。考虑到机组出力主要受系统负荷的影响，调度方案在时间维度上的相关性可以用系统负荷的相关性表征。此外，考虑到各负荷节点的负荷预测误差存在差异，利用各节点的负荷预测值代替系统总负荷预测值进行相关性分析。为了充分反映负荷预测数据的时空复杂度，所述面向各调度时刻预测负荷矩阵为：
[0034][0035]
式中，为调度时刻t对应的预测负荷矩阵，m为负荷数据的时间跨度，例如，负荷数据的采样时间跨度为1年时，则m＝365，n为系统中的负荷节点数，表示第m天调度时刻t时，节点n处的负荷预测值；
[0036]
调度时刻t的历史时刻i的取值为1到k(可以根据实际需要选取历史时刻数量)，每个调度时刻有k个关于历史时刻的预测负荷矩阵其结构如下：
[0037][0038]
式中，为历史时刻t-i的预测负荷矩阵，表示第m天历史时刻t-i时，节点n处的负荷预测值；
[0039]
为了量化矩阵和矩阵之间的相关性，确定各调度时刻的关键历史时刻，将皮尔逊相关系数法由向量层面扩展到矩阵层面以计算相关系数，其计算公式如下所示：
[0040][0041]
式中，r表示两个矩阵之间的相关系数，和分别为矩阵和中元素的平均值，e为矩阵乘法，∑表示按行或列对矩阵中元素求和；
[0042]
调度时刻t共有k个历史时刻，k取96，且面向每个历史时刻分别构建一个负荷预测矩阵因此关于调度时刻t的相关系数r共有k个，相关系数r大于0，则说明和存在正相关关系，且r越大表示两者之间的相关性越强，相关系数r的计算流程如图1所示；
[0043]
首先取任意调度时刻t，然后利用公式1构建面向调度时刻t的预测负荷矩阵，选取在1～96中选取历史时刻i，然后利用公式2构建面向历史时刻i的预测负荷矩阵，然后利用公式3计算相关系数r；
[0044]
在得到调度时刻t与k个历史时刻的相关系数后，为确定其关键历史时刻，将相关系数按降序进行排列，计算相邻两个相关系数差值的数量级，从物理意义和数据规模两个层面综合考虑数量级取值大小及网络模型的学习效果，选取合适的相关系数作为阈值，大于预设相关系数阈值的相关系数所对应的历史时刻即为该调度时刻的关键历史时刻，以各调度时刻的关键历史时刻确定面向各调度时刻的自适应学习模型。
[0045]
系统中存储的海量调度数据属于标准的时间序列数据，即数据不仅有隐藏的时间标签，且按时间顺序依次排列。传统的神经网络仅能分析同一断面输入与输出之间的关系，无法有效处理时间序列数据，因此相关学者提出了适用于时间序列数据分析的递归神经网络(recurrent neural network,rnn)。rnn是典型的深度神经网络，其深度体现在时间维度上对数据的传递记忆。rnn虽然在一定程度上能考虑时间序列数据中的信息传递，但存在梯度消失问题，即无法存储和利用长期历史信息。为解决这一问题，相关学者提出了一种利用记忆功能增强历史信息对当前输出影响的人工神经网络，即lstm网络。lstm网络与rnn在结构上最大的不同在于其隐藏层的内部组成已由简单的神经元替换为由门结构组成的记忆模块。图3展示了lstm网络及其记忆模块的结构，其中，x
t
为记忆模块在时刻t的外部输入，即时刻t时各负荷节点的预测值；c
t
为t时刻对应的长期记忆；h
t-1
为lstm网络在时刻t-1的输出，即时刻t-1时各机组出力的预测值，同时作为短期记忆由网络内部输入到时刻t的记忆模块；s(*)和t(*)分别表示sigmoid激活函数和tanh激活函数；
[0046]
由图3可以看出，在lstm网络中，调度时刻t的机组出力h
t
不仅受同时刻外部输入x
t
的影响，并且受历史时刻t-1对应的短期记忆h
t-1
的影响。但由于短期记忆h
t-1
物理意义是各机组出力的预测值，遗忘门、输入门、输出门需要根据该预测数据分别控制对历史记忆的遗忘、新信息的输入以及最终t时刻机组出力的输出。该更新方式不能计及t-1时刻预测误差对门结构的调整作用(即模型更新时，不用考虑上一时刻预测结果的影响)，一旦随时间序列逐级传递的短期记忆h
t-1
与机组出力实际值之间存在较大误差时，极易影响模型的最终输出。同时，当时间序列到达调度时刻t时，历史时刻t-1对应的机组出力实际值已可获得，为利用预测误差控制门结构的更新奠定了数据基础。
[0047]
因此，本发明在传统lstm网络的基础上，提出将历史时刻对应的机组出力实际值引入到lstm网络的内部输入中，利用lstm网络自身得到的机组出力预测值与实际值之间的预测误差作为短期记忆，控制各门结构的动作，即lstm网络是根据记忆模块的内部输入进行更新的。本发明提出的lstm-iiu网络记忆模块的内部结构如图4所示。其中，h
′
t-1
为短期记忆h
t-1
所对应的实际值，e
t-1
为预测误差。
[0048]
由图3可以看出，本文所提出的lstm-iiu网络与传统的lstm网络相比，其门结构并没有发生改变。而内部输入则是通过引入在当前时刻已经可以采集到的实际值h
′
t-1
，并利用原先的预测值h
t-1
通过一系列矩阵计算获得的预测误差输入到时刻t所对应的门结构中，即所述基于负荷测误差更新的长短期记忆网络在时刻t时的内部输入为：
[0049][0050]
式中，e
t-1
为负荷预测误差，h
′
t-1
为短期记忆h
t-1
所对应的实际值，表示矩阵加法
运算符；
[0051]
在基于负荷测误差更新的长短期记忆网络中，遗忘门利用上一时刻t-1的机组出力预测误差e
t-1
和当前时刻t的负荷预测值x
t
调整遗忘控制信号，如果预测误差大于预设阈值，则说明e
t-1
对当前时刻t的预测已无有效作用，因此需要将这部分记忆遗忘；
[0052]ft
＝sigmoid(wf·
[e
t-1
,x
t
] bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0053]
式中：wf和bf分别为遗忘门对应的权值矩阵和偏置值，f
t
表示遗忘门中门控输出向量；
[0054]
输入门分为两部分，一方面利用上一时刻t-1的机组出力预测误差e
t-1
和当前时刻t的负荷预测值x
t
，调整输入控制信号的大小，如果预测误差e
t-1
过大，则需要减小对当前记忆信息的输入，避免影响未来时间序列的预测；
[0055]it
＝sigmoid(wi·
[e
t-1
,x
t
] bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0056]
式中，wi和bi分别为输入门中sigmoid激活函数对应的权值矩阵和偏置值，i
t
表示输入门中门控输出向量；
[0057]
另一方面，利用上一时刻t-1的机组出力预测误差e
t-1
和当前时刻t的负荷预测值x
t
，生成当前时刻t对应的记忆信息
[0058][0059]
式中，wc和bc分别为输入门中tanh激活函数对应的权值矩阵和偏置值，为输入门中的记忆输出向量；
[0060]
此时，lstm-iiu网络中的长期记忆已经由c
t-1
更新为c
t
；
[0061][0062]
式中，c
t-1
表示上一时刻记忆细胞；
[0063]
输出门同样利用e
t-1
和x
t
控制调整输出控制信号的大小，并决定长期记忆c
t
输出的多少；
[0064]ot
＝sigmoid(wo·
[e
t-1
,x
t
] bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0065]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0066]
式中：wo和bo分别为输出门对应的权值矩阵和偏置值，o
t
表示输出门中门控输出向量，h
t
表示神经网络隐含状态；
[0067]
公式(4)～(10)构成了基于负荷测误差更新的长短期记忆网络。可以看出，本发明所提出的lstm-iiu网络通过引入机组出力实际值，结合网络所输出的预测值，利用预测误差作为记忆模块的内部输入调整各门结构的控制信号及记忆更新，相较于传统lsmt网络利用自身所产生的机组出力预测值作为内部输入更符合经济调度的实际业务情况。
[0068]
上述技术方案中，实时经济调度自适应学习模型构建模块6根据不同调度时刻的关键历史时刻个数，设定各自基于负荷测误差更新的长短期记忆网络中记忆模块的数量，构建面向各调度时刻的记忆模块数量自适应的学习模型。
[0069]
lstm-iiu网络作为深度学习模型，其深度主要体现在时间层面，即对历史记忆的追溯深度。在lstm-iiu网络中，记忆模块的数量直接反映了模型对历史信息的记忆能力，因此需要结合实时经济调度业务背景，对记忆模块的数量进行设定。
[0070]
受负荷波动的影响，每个调度时刻对应的调度方案存在一定差异，因此利用矩阵
相关性分析得到的各调度时刻的关键历史时刻数量不同，如果各调度时刻共用一个学习模型，无法体现其在历史信息追溯中的差异性，因此，本发明利用矩阵相关性分析的结果，根据不同调度时刻的关键历史时刻个数，设定各自lstm-iiu网络中记忆模块的数量，即构建面向不同调度时刻的记忆模块数量自适应的学习模型。例如，假设调度时刻00:00的关键历史时刻数为10，则该调度时刻对应的自适应学习模型中记忆模块的个数为11，其中前10个记忆模块对应10个历史关键时刻，用来传递历史信息，最后1个记忆模块对应调度时刻00:00，用来输出模型学习结果。由于不同调度时刻的关键历史时刻数量不同，因此面向不同调度时刻的自适应学习模型中记忆模块的数量也不尽相同。实时经济调度的调度周期通常为15min，一天共有96个调度时刻，则共得到96个结构不同的基于lstm-iiu网络的自适应学习模型，即学习模型的结构是自适应的。
[0071]
在基于lstm-iiu网络的自适应学习模型中，训练样本集的输入自变量由节点的负荷预测值及根据预测值得到的各机组出力预测值组成。因此，输入自变量的维度等于负荷节点数加发电机台数，例如系统中有n
lond
个负荷节点和n
gen
台发电机，则输入自变量的个数为n
x
＝n
load
n
gen
。同时，由于各输入自变量(负荷预测值和机组出力预测值)的量纲均为有功功率(mw)且取值的数量级相同，不会因量纲不同影响模型的学习效果，故无需对训练数据进行归一化处理。所述差异化样本集的训练目标为完美调度方案，即基于采集到的负荷实际值利用安全约束最优潮流经济调度模型(security constrained optimal power flow，scopf)计算得到的各机组出力值，训练目标的维度等于系统中发电机台数减1，即ny＝n
gen-1；
[0072]
差异化样本集的训练目标中各个机组出力需要满足如下条件：
[0073]
最优潮流经济调度模型的优化目标为最小化发电成本：
[0074][0075]
式中：p
g.i
为第i台机组的有功出力；ai、bi、ci则分别为对应机组各次项耗量系数；
[0076]
等式约束条件为功率平衡方程：
[0077][0078]
式中：p
l
为自适应经济调度系统的负荷总和；
[0079]
不等式约束则包括机组出力约束、机组爬坡约束、线路功率约束，其中，机组出力约束表示了由于设计原因所决定的火电机组有功出力范围：
[0080]
p
g.i.min
≤p
g.i
≤p
g.i.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0081]
式中：p
g.i.max
和p
g.i.min
分别为对应机组的有功出力上下限；
[0082]
机组爬坡约束表示不同火电机组在单位调度时间内所能调节的最大有功功率：
[0083]rg.i.d
t≤p
g.i(t 1)-p
g.i(t)
≤r
g.i.u
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0084]
式中：r
g.i.d
和r
g.i.u
分别为对应机组单位时间内向下和向上爬坡速率，t为调度周期；
[0085]
线路功率约束，即不得大于线路所能通过的最大功率；
[0086]sij
≤s
ij.max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0087]
式中：s
ij
为线路i-j之间所流过的视在功率；s
ij.max
则为该线路所允许的视在功率
最大值。
[0088]
在基于lstm-iiu网络的自适应学习模型的训练过程中，训练样本是以批次的形式输入到lstm-iiu网络中。每批次中训练样本的数量相同，且其与批次数的乘积等于训练集中样本数的总和。而每批次中训练样本的数量则等于lstm-iiu网络中记忆模块的数量，以确保每次输入样本时，有且仅有一个训练样本输入到记忆模块中。面向不同调度时刻的自适应学习模型的记忆模块数量各不相同，因此每个学习模型所对应的训练样本数量也不同，即训练样本集在构成及规模两个层面上都具有差异化特性。例如，以时间跨度为1年的训练样本为例，假设目标调度时刻00:00和12:00的关键历史时刻数分别为5和10，则两个调度时刻对应的自适应学习模型中，记忆模块的数量分别为6和11，相应的训练样本集中的训练样本数分别为2190(365*(5 1))个和4015(365*(10 1))个。
[0089]
上述技术方案中，对差异化训练样本集和各调度时刻自适应学习模型的训练目标输入到面向各调度时刻的实时经济调度自适应学习模型中进行训练包括离线训练和在线应用两个环节；
[0090]
离线训练环节是基于海量历史数据构建面向不同目标调度时刻的自适应学习模型，系统中存储了大量的历史运行数据，例如预测系统中存储的负荷预测数据以及能量管理系统(energy management system,ems)中存储的历史调度方案，基于历史负荷预测数据，利用矩阵相关性分析即确定各调度时刻的关键历史时刻，进而确定基于负荷测误差更新的长短期记忆网络的内部结构及对应的差异化训练样本集；
[0091]
同时，将对应时刻的完美调度方案作为基于负荷测误差更新的长短期记忆网络的训练目标，即可构建基于负荷测误差更新的长短期记忆网络的自适应学习模型，模型一旦构建完成，即存储到离线模型库中，调度人员可依据实际需求进行调取，由于整个环节仅利用到历史数据，并且历史数据规模庞大，计算耗时高，因此仅需采用离线方式执行；
[0092]
在线应用环节中，调度人员需要根据目标调度时刻提取对应的自适应学习模型，并将通过预测系统得到的负荷预测数据及相应的各机组出力按训练样本集结构输入到面向各调度时刻的实时经济调度自适应学习模型，即可得到面向各调度时刻的实时经济调度自适应学习模型的输出结果，该结果即为目标调度时刻对应的完美调度方案。由于当前目标调度时刻是未来目标调度时刻的历史调度时刻，目标调度时刻结束即可获得其实际负荷数据，利用该数据即可计算得到完美调度方案，为了保证模型的实时更新，将该完美调度方案传递回离线训练环节，以便实时更新离线模型库。
[0093]
一种基于深度学习的自适应经济调度方法，包括如下步骤：
[0094]
步骤1：利用负荷中各机组出力在时间上的连续性和负荷预测数据的时空复杂度，构建面向各调度时刻预测负荷矩阵；
[0095]
步骤2：针对面向各调度时刻预测负荷矩阵利用矩阵相关性分析筛选各调度时刻的关键历史时刻，并以各调度时刻的关键历史时刻确定面向各调度时刻的自适应学习模型；
[0096]
步骤3：对各调度时刻的自适应学习模型利用完美调度理论生成各调度时刻自适应学习模型的训练目标；
[0097]
步骤4：对当前调度时刻的负荷矩阵与历史调度时刻的负荷矩阵做相似度系数计算，将大于设定相似度系数的历史调度时刻负荷矩阵作为当前调度时刻负荷矩阵的关键特
征和应该记忆的特征，形成差异化样本集；
[0098]
步骤5：将各调度时刻自适应学习模型的负荷预测误差(训练过程中真实数据与模型预测出的数据差)作为长短期记忆网络的内部输入得到基于负荷测误差更新的长短期记忆网络；
[0099]
步骤6：利用基于负荷测误差更新的长短期记忆网络构建面向各调度时刻的实时经济调度自适应学习模型；
[0100]
步骤7：将对差异化训练样本集和各调度时刻自适应学习模型的训练目标输入到面向各调度时刻的实时经济调度自适应学习模型中进行训练，将电网断面负荷输送到训练完成后的各调度时刻的实时经济调度自适应学习模型中得到各机组调节出力。
[0101]
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。