申请/专利权人：南京工程学院

申请日：2023-06-29

公开（公告）日：2024-05-17

公开（公告）号：CN116760026B

主分类号：H02J3/00

分类号：H02J3/00;G06N3/045;G06N3/044;G06N3/0464;G06N3/0455;G06N3/088;G06N3/094;G06N3/096;G06N3/0985;G06F18/213;G06F18/2137;G06F18/22;G06F18/23;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2023.10.03#实质审查的生效;2023.09.15#公开

摘要：本发明公开了一种计及参数不可辨识性的机组出力精准预测方法，包括如下步骤：构建基于ResDIndRNN‑FCN神经网络模型、高维输入变量的降维模型、机组运行断面相似性聚类模型、运行断面相似性度量、机组出力辨识模型的调整策略。基于ResDIndRNN‑FCN网络模型实现对机组执行控制执行效果的精准辨识；构建基于VAE的降维模型实现对输入高维变量的降维；构建了一种基于SOM聚类算法的机组运行断面匹配方法，实现对机组运行断面的相似性筛选；构建机组运行断面相似性评价体系，实现对指令执行辨识结果的可信度评估；构建了一种机组出力辨识模型的调整策略，实现机组不可辨识参数变化下的模型调整，使机组出力辨识模型更加可靠。

主权项：1.计及参数不可辨识性的机组出力精准预测方法，其特征在于，包括如下步骤：S1、构建ResDIndRNN-FCN网络模型；所述ResDIndRNN-FCN网络模型的结构具体为ResDIndRNN与FCN的并联神经网络模型，包括FCN网络、ResDIndRNN网络和融合层；所述FCN网络用于提取所述机组运行环境数据的电网状态特征；所述ResDIndRNN网络用于提取所述机组出力序列数据的机组出力序列特征；所述融合层用于将电网状态特征与机组出力序列特征融合，输出机组执行控制指令的辨识结果；S2、构建VAE模型，利用机组运行环境数据对VAE模型进行训练，获得最优超参数VAE模型；包括：S21、归一化处理机组运行环境数据，将机组运行环境数据缩放到[0,1]范围内；S22、构建VAE模型，确定VAE模型的超参数范围，所述VAE模型的总层数为m，其中编码器的层数为m1，解码器的层数为m2，所述编码器用于输出降维后的数据，所述解码器用于输出重构数据；S23、将归一化的机组运行环境数据输入VAE模型，用VAE模型的编码器对归一化的机组运行环境数据的特征进行压缩和提取，生成降维后的机组运行环境数据，再由VAE模型的解码器对降维后的机组运行环境数据进行解码重构生成重构数据；S24、将重构数据和原始机组运行环境数据均分成K份，利用K折交叉验证网格搜索方法优化VAE模型的超参数，使用除去第j份重构数据后剩下的重构数据训练VAE模型，计算第j份重构数据与第j份原始机组运行环境数据之间的MAE损失函数；若MAE损失函数达到门限值，则完成超参数遍历，进入步骤S25，否则返回步骤S22；S25、选择使MAE损失函数最小的模型超参数作为最优超参数，得到最优超参数VAE模型；S3、将从电网侧获得的机组运行环境数据和电厂获得的机组出力序列数据输入最优超参数VAE模型进行数据降维，得到降维后的机组运行环境数据和机组出力序列数据；S4、将降维后的机组运行环境数据和机组出力序列数据输入至ResDIndRNN-FCN网络模型，得到机组执行控制指令的辨识结果；S5、对机组运行环境数据归一化处理后输入VAE模型进行数据降维，得到机组运行断面数据集，基于SOM的聚类算法对机组运行断面数据集进行聚类，筛选出与当前机组执行控制指令时刻的机组运行断面数据相似的历史机组运行断面数据组成目标类断面；所述机组运行断面数据具体为一段时间内的机组运行环境数据；S6、计算目标类断面之间的相似度，取最大的相似度作为机组执行控制指令的辨识结果的可信度值；S7、根据机组执行控制指令的辨识结果和可信度值调整ResDIndRNN-FCN网络模型，提高辨识精度。

全文数据：

权利要求：

百度查询： 南京工程学院 计及参数不可辨识性的机组出力精准预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD