本发明公开了基于深度学习融合模型的机组出力预测及置信评估方法，包括如下步骤：S1、获取电网目标机组历史数据；S2、融合模型输入数据进行预处理；S3、构建基于DIndRNN和RVM的深度融合模型；S4、采用融合模型对机组出力进行预测并计算置信度；S5、通过调用融合模型实现对AGC指令的修正；S6、融合模型动态更新。本发明通过构建并调用融合模型，完成对AGC计算指令的修正，调控机组能够精准执行AGC计算指令值，使AGC控制方案实现预想控制效果。
1.基于深度学习融合模型的机组出力预测及置信评估方法，其特征在于，包括如下步骤：
S3、构建基于DIndRNN和RVM的深度融合模型，其中DIndRNN为深度独立循环神经网络，RVM为关联向量机；
S4、采用融合模型对机组出力进行预测并计算置信度；
S5、通过调用融合模型实现对AGC指令的修正，其中AGC为自动发电控制；
2.根据权利要求1所述的机组出力预测及置信评估方法，其特征在于，步骤S1获取的历史数据包括：AGC指令值、AGC指令下发时间、机组出力、机组历史出力、机组所在电网总负荷、机组所在电网频率、机组所在地空气温度、机组绕组电流、机组母线电压。
3.根据权利要求2所述的机组出力预测及置信评估方法，其特征在于，获取历史数据的时间跨度为6个月，采样频率为1分钟，数据集共262080条；数据集中机组出力为训练标签，其余特征为训练数据。
4.根据权利要求1所述的机组出力预测及置信评估方法，其特征在于，步骤S2中模型输入数据进行预处理过程如下：
S21、检索数据缺失值，使用缺失值前后时刻均值代替；
S22、使用归一化公式将数据全部划到0～1范围内，公式如下：
式中， 为归一化后的值，X为该特征原始值，Xmin为训练集中该特征最小值，Xmax为训练集中该特征最大值；
S23、确定KPCA模型参数优化范围，其中KPCA为核主成分分析：核函数采用高斯核函数；
5.根据权利要求4所述的机组出力预测及置信评估方法，其特征在于，步骤S24中随机交叉验证网格搜索法，步骤如下：S241、举一组参数组合，使用该参数组合构建KPCA模型并对数据进行处理；
S242、将处理后的训练数据按9：1比例随机分成训练集和测试集；
S244、使用测试集测试多层感知机模型，得到均方误差；
S245、重复S242‑S244步骤10次，求得10个均方误差；
S246、计算10个均方误差的平均值，作为该参数组合下的模型误差；
S247、再举一组参数组合重复步骤S241‑S246，直至所有参数组合计算完毕得到各个参数组合下的模型误差；
S248、比较模型误差，模型误差最小时的参数组合为最优参数。
6.根据权利要求1所述的机组出力预测及置信评估方法，其特征在于，步骤S3具体包括如下步骤：
S31、确定DIndRNN模型超参数类型：包括每层神经元数，网络层数，时间步长；
S32、确定DIndRNN模型超参数取值范围；每层神经元数取值1～100、网络层数取值1～
S33、使用K折交叉验证网格搜索方法确定模型超参数取值；
S35、在DIndRNN模型最后加入全连接层，用于将训练特征映射回训练标签；
S37、使用经过预处理的数据集训练模型：使用随机梯度下降法训练DIndRNN模型；使用早停技术防止过拟合；配置学习率指数衰减提高模型收敛速度；
S38、将经过预处理的数据输入步骤S37中训练完成的DIndRNN模型，得到数据特征；
S310、将DIndRNN模型、RVM模型顺次连接，构成融合模型。
7.根据权利要求1所述的机组出力预测及置信评估方法，其特征在于，步骤S4具体包括如下步骤：
S41、获取电网机组当前数据，包括AGC指令值、AGC指令下发时间、机组历史出力、机组所在电网总负荷、机组所在电网频率、机组所在地空气温度、机组绕组电流、机组母线电压，组成当前电网状态数据；
S43、将经过预处理的当前电网状态数据输入融合模型，融合模型给出下一周期机组出力预测值和置信度；
S44、将步骤S43中给出的机组出力预测值加入当前电网状态数据中机组历史出力特征，其余特征保持不变，形成新的电网状态数据；
S45、重复步骤S42‑S44，将新的电网状态数据输入预处理模型和融合模型，得到再下一周期的输出；
S46、得到未来一段时间内的机组出力预测值趋势，并给出置信度表达。
8.根据权利要求7所述的机组出力预测及置信评估方法，其特征在于，步骤S43中得到的下一周期置信度要与上一周期置信度进行平方叠加得到新的置信度。
9.根据权利要求1所述的机组出力预测及置信评估方法，其特征在于，步骤S5具体步骤如下：
S51、AGC以上一个周期指令的执行偏差ΔPbefore为基准，模拟机组在偏差方向上的递增出力，递增步长为λΔ＝ΔPbefore/NΔ，NΔ取100，生成模拟指令集合；
S52、使用步骤S2、S3的模型，计算指令集合内所有指令对应的机组出力预测值；
S53、将最接近AGC计算指令的预测值所对应的模拟指令作为AGC指令修正值，并进行下发控制。
10.根据权利要求1所述的机组出力预测及置信评估方法，其特征在于，步骤S6中融合模型的动态更新方法如下：
S62、训练服务器从电网提供的API接口以1分钟为单位实时读取机组运行数据，包括AGC指令值、AGC指令下发时间、机组历史出力、机组所在电网总负荷、机组所在电网频率、机组所在地空气温度、机组绕组电流、机组母线电压；
S63、当数据累积至24小时后，使用获取到的数据再次按步骤S2、S3训练预处理模型和融合模型；
S64、训练完成后，将预处理模型和融合模型更新到AGC系统中并覆盖原有模型。
基于深度学习融合模型的机组出力预测及置信评估方法
技术领域
[0001] 本发明涉及电力系统调度控制方法，特别是基于深度学习融合模型的机组出力预测及置信评估方法。
背景技术
[0002] 自动发电控制(AGC)经过多年的研究已经日趋成熟并且取得了广泛的应用。近年来随着新能源电站的持续增加，新能源电站出力的不确定性对电网调度的影响已不可忽
视。在实际工程中往往采用调节火电机组出力以保证电网的有功平衡。然而在一些地区，由
于火电机组设备以及环境的影响，常会出现机组对AGC指令的执行结果偏差较大的情况，这
不但会导致AGC控制方案无法实现预想控制效果，有时甚至会出现边界联络线由于指令执
行能力差进而造成越限情况的发生。因此，开发一种AGC指令执行效果预测及置信评估方法
对优化AGC控制技术在高比例新能源电网的控制效果具有重要的意义。
发明内容
[0003] 本发明针对现有技术中的不足，提供一种基于深度学习融合模型的机组出力预测及置信评估方法。
[0004] 为实现上述目的，本发明采用以下技术方案：
[0005] 基于深度学习融合模型的机组出力预测及置信评估方法，包括如下步骤：
[0006] S1、获取电网目标机组历史数据；
[0007] S2、融合模型输入数据进行预处理；
[0008] S3、构建基于DIndRNN和RVM的深度融合模型；
[0009] S4、采用融合模型对机组出力进行预测并计算置信度；
[0010] S5、通过调用融合模型实现对AGC指令的修正；
[0011] S6、融合模型动态更新。
[0012] 为优化上述技术方案，采取的具体措施还包括：
[0013] 进一步地，步骤S1获取的历史数据包括：AGC指令值、AGC指令下发时间、机组出力、机组历史出力、机组所在电网总负荷、机组所在电网频率、机组所在地空气温度、机组绕组
电流、机组母线电压。
[0014] 进一步地，获取历史数据的时间跨度为6个月，采样频率为1分钟，数据集共262080条；数据集中机组出力为训练标签，其余特征为训练数据。
[0015] 进一步地，步骤S2中模型输入数据进行预处理过程如下：
[0016] S21、检索数据缺失值，使用缺失值前后时刻均值代替；
[0017] S22、使用归一化公式将数据全部划到0～1范围内，
[0018] 公式如下：
[0019]
[0020] 式中， 为归一化后的值，X为该特征原始值，Xmin为训练集中该特征最小值，Xmax为训练集中该特征最大值；
[0021] S23、确定KPCA模型参数优化范围：核函数采用高斯核函数；
[0022] S24、使用随机交叉验证网格搜索法确定参数取值；
[0023] S25、使用步骤S24中确定的参数建立模型。
[0024] 进一步地，步骤S24中随机交叉验证网格搜索法，步骤如下：
[0025] S241、举一组参数组合，使用该参数组合构建KPCA模型并对数据进行处理；
[0026] S242、将处理后的训练数据按9：1比例随机分成训练集和测试集；
[0027] S243、使用训练集训练多层感知机模型；
[0028] S244、使用测试集测试多层感知机模型，得到均方误差；
[0029] S245、重复S242‑S244步骤10次，求得10个均方误差；
[0030] S246、计算10个均方误差的平均值，作为该参数组合下的模型误差；
[0031] S247、再举一组参数组合重复步骤S241‑S246，直至所有参数组合计算完毕得到各个参数组合下的模型误差；
[0032] S248、比较模型误差，模型误差最小时的参数组合为最优参数。
[0033] 进一步地，步骤S3具体包括如下步骤：
[0034] S31、确定DIndRNN模型超参数类型：包括每层神经元数，网络层数，时间步长；
[0035] S32、确定DIndRNN模型超参数取值范围；每层神经元数取值1～100、网络层数取值1～100、时间步长1～144；
[0036] S33、使用K折交叉验证网格搜索方法确定模型超参数取值；
[0037] S34、按确定的超参数建立DIndRNN模型；
[0038] S35、在DIndRNN模型最后加入全连接层，用于将训练特征映射回训练标签；
[0039] S36、使用步骤S2中的预处理模型处理数据；
[0040] S37、使用经过预处理的数据集训练模型：使用随机梯度下降法训练DIndRNN模型；使用早停技术防止过拟合；配置学习率指数衰减提高模型收敛速度；
[0041] S38、将经过预处理的数据输入步骤S37中训练完成的DIndRNN模型，得到数据特征；
[0042] S39、使用数据特征训练RVM模型；
[0043] S310、将DIndRNN模型、RVM模型顺次连接，构成融合模型。
[0044] 进一步地，步骤S4具体包括如下步骤：
[0045] S41、获取电网机组当前数据，包括AGC指令值、AGC指令下发时间、机组历史出力、机组所在电网总负荷、机组所在电网频率、机组所在地空气温度、机组绕组电流、机组母线
电压，组成当前电网状态数据；
[0046] S42、将当前电网状态数据输入预处理模型；
[0047] S43、将经过预处理的当前电网状态数据输入融合模型，融合模型给出下一周期机组出力预测值和置信度；
[0048] S44、将步骤S43中给出的机组出力预测值加入当前电网状态数据中机组历史出力特征，其余特征保持不变，形成新的电网状态数据；
[0049] S45、重复步骤S42‑S44，将新的电网状态数据输入预处理模型和融合模型，得到再下一周期的输出；
[0050] S46、得到未来一段时间内的机组出力预测值趋势，并给出置信度表达。
[0051] 进一步地，步骤S43中得到的下一周期置信度要与上一周期置信度进行平方叠加得到新的置信度。
[0052] 进一步地，步骤S5具体步骤如下：
[0053] S51、AGC以上一个周期指令的执行偏差ΔPbefore为基准，模拟机组在偏差方向上的递增出力，递增步长为λΔ＝ΔPbefore/NΔ，NΔ取100，生成模拟指令集合；
[0054] S52、使用步骤S2、S3的模型，计算指令集合内所有指令对应的机组出力预测值；
[0055] S53、将最接近AGC计算指令的预测值所对应的模拟指令作为AGC指令修正值，并进行下发控制。
[0056] 进一步地，步骤S6中融合模型的动态更新方法如下：
[0057] S61、在线下设立训练服务器并配置好相关软件；
[0058] S62、训练服务器从电网提供的API接口以1分钟为单位实时读取机组运行数据，包括AGC指令值、AGC指令下发时间、机组历史出力、机组所在电网总负荷、机组所在电网频率、
机组所在地空气温度、机组绕组电流、机组母线电压；
[0059] S63、当数据累积至24小时后，使用获取到的数据再次按步骤S2、S3训练预处理模型和融合模型；
[0060] S64、训练完成后，将预处理模型和融合模型更新到AGC系统中并覆盖原有模型。
[0061] 本发明的有益效果是：本发明通过构建并调用融合模型，完成对AGC计算指令的修正，调控机组精准执行AGC计算指令值，使AGC控制方案实现预想控制效果。
附图说明
[0062] 图1是本发明基于深度学习融合模型的机组出力预测及置信评估方法的流程图。
[0063] 图2是本发明的建立数据预处理模型流程图。
[0064] 图3是本发明的融合模型训练原理示意图。
[0065] 图4是本发明的中长期多步滚动预测原理示意图。
[0066] 图5是本发明的随机交叉验证法流程图。
[0067] 图6是本发明的模型动态更新原理示意图。
[0068] 图7是本发明实施例中不同模型预测分析对比图。
[0069] 图8是本发明实施例中融合模型长期预测结果示意图。
[0070] 图9是本发明实施例中不同区间概率示意图。
具体实施方式
[0071] 现在结合附图对本发明作进一步详细的说明。
[0072] 需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无
实质变更技术内容下，当亦视为本发明可实施的范畴。
[0073] 本发明提供了一种基于深度学习融合模型的机组出力预测及置信评估方法，包括如下步骤：
[0074] S1、建立离线训练服务器，在服务器内配置好相关软件工具。
[0075] S2、训练服务器通过电网平台提供的API接口获取某机组历史数据，包括AGC指令值、AGC指令下发时间、机组当前出力、机组历史出力、机组所在电网总负荷、机组所在电网
频率、机组所在地空气温度、机组绕组电流、机组母线电压，合计九类特征；数据时间跨度为
半年，采样频率为1分钟，数据共262080条；以机组当前出力作为模型训练标签，其余数据作
为模型训练输入。
[0076] S3、使用训练服务器训练融合模型，具体步骤包括：
[0077] S31、使用归一化公式将数据全部划到0～1范围内；
[0078] 公式如下：
[0079]
[0080] 式中， 为归一化后的值，X为该特征原始值，Xmin为训练集中该特征最小值，Xmax为训练集中该特征最大值。
[0081] S32、使用随机交叉验证网格搜索法确定KPCA降维模型超参数，包括高斯核参数σ值为0～1，和降维维度为1～原始数据维度，并建立降维模型；
[0082] 如图5所示，使用随机交叉验证网格搜索法确定参数取值包括如下步骤：
[0083] 1)举一组参数组合，使用该参数组合构建KPCA模型并对数据进行处理；
[0084] 2)将处理后的训练数据按9∶1比例随机分成训练集和测试集；
[0085] 3)使用训练集训练多层感知机模型；
[0086] 4)使用测试集测试多层感知机模型，得到均方误差；
[0087] 5)重复S242‑S244步骤10次，求得10个均方误差；
[0088] 6)计算10个均方误差的平均值，作为该参数组合下的模型误差；
[0089] 7)再举一组参数组合重复上述步骤，直至所有参数组合计算完毕得到各个参数组合下的模型误差；
[0090] 8)比较模型误差，模型误差最小时的参数组合为最优参数。
[0091] S33、将归一化公式和确定参数的KPCA模型顺次连接，构成预处理模型；
[0092] S34、使用预处理模型对数据进行预处理；
[0093] S35、建立DIndRNN模型，在模型最后接入全连接回归层，用于将DIndRNN模型提取到的特征映射回训练标签；
[0094] S36、使用预处理后的数据训练DIndRNN模型，使用随机梯度下降法(SGD)训练DIndRNN模型(含全连接层)；使用早停技术防止过拟合；配置学习率指数衰减提高模型收敛
速度；
[0095] S37、训练好的DIndRNN模型需要去掉全连接层；使用训练好的DIndRNN模型(不含全连接层)提取训练数据特征；
[0096] S38、使用提取后的特征训练RVM模型；
[0097] S39、将DIndRNN模型、RVM模型进行融合。
[0098] S4、向AGC系统发送模型训练完成信号。
[0099] S5、AGC系统接到信号后从训练服务器下载该模型，将当前实时数据输入模型，通过滚动预测的形式，获得未来一段时间内的机组出力预测值和预测置信度。如图4所示，步
骤如下：
[0100] S51、获取电网机组当前数据，包括AGC指令值、AGC指令下发时间、机组历史出力、机组所在电网总负荷、机组所在电网频率、机组所在地空气温度、机组绕组电流、机组母线
电压，合计8个特征，组成当前电网状态数据；
[0101] S52、将当前电网状态数据输入预处理模型；
[0102] S53、将经过预处理的当前电网状态数据输入融合模型，融合模型给出下一周期(1分钟后)机组出力预测值和置信度；
[0103] S54、将步骤S53中给出机组出力预测值加入当前电网状态数据中机组历史出力特征，其余特征保持不变，形成新的电网状态数据；
[0104] S55、将新的电网状态数据输入预处理模型和融合模型，得到再下一周期(2分钟后)的输出；
[0105] S56、如此循环，得到未来一段时间内的机组出力预测值趋势，并给出置信度表达；
[0106] 其中，融合模型所给出的是一个符合正态分布的随机量，以均值和方差表达；机组出力预测值为均值，置信度表达为方差；步骤S52中形成新的电网状态数据只需考虑预测均
值，步骤S53中新的置信度需要与上一周期置信度进行平方叠加，如下式：
[0107] 设随机变量X、Y服从如下正态分布，X～N(μ1，σ12)；Y～N(μ2，σ22)；X为上一周期机组出力分布，Y为融合模型计算的修正值，则X+Y为下一周期机组出力，则按照正态分布加法公
2 2 2 2
式，X+Y服从如下分布X+Y～N(μ3，σ3)，其中μ3＝μ1+μ2，σ3 ＝σ1+σ2 ；从电网采集到的原始数
据方差为0。
[0108] S6、训练服务器继续读取电网机组数据，在数据累积至24小时候，将新获取到的数据作为训练数据，在原有模型权重上重新训练模型，模型训练完成后，再次向AGC系统发送
信号；如此循环，实现模型的动态更新。
[0109] S7、AGC应用模型实现指令矫正，具体步骤包括：
[0110] S71、AGC系统在下发计算指令前，以上一个周期指令的执行偏差(ΔPbefore)为基准，模拟机组在偏差方向上的递增出力，递增步长为λΔ＝ΔPbefore/NΔ(NΔ取100)，并以此生
成新的模拟指令集合；
[0111] S72、调用融合模型，计算指令集合内所有指令对应的机组出力预测值，将最接近AGC计算指令的预测值所对应的模拟指令作为AGC指令修正值，并进行下发控制。
[0112] 本发明的模型动态更新原理示意图如图6所示。
[0113] 1)在线下设立训练服务器并配置好相关软件；
[0114] 2)训练服务器从电网提供的API接口以1分钟为单位实时读取机组运行数据，包括AGC指令值、AGC指令下发时间、机组历史出力、机组所在电网总负荷、机组所在电网频率、机
组所在地空气温度、机组绕组电流、机组母线电压；
[0115] 3)当数据累积至24小时后，使用获取到的数据再次按步骤S2、S3训练预处理模型和融合模型；
[0116] 4)训练完成后，将模型更新到AGC系统中并覆盖原有模型。
[0117] 应用本发明的基于深度学习融合模型的机组出力预测及置信评估方法的一个具体实施例如下：
[0118] 该实例使用某地电厂真实数据作为实验对象，融合模型、RNN、LSTM多步预测结果对比图如图7所示。
[0119] 从图7中可以看出，三角标记曲线在初始时刻就严重偏离真实值，这是因为RNN模型受限于模型结构，神经元在时间上进行参数共享，所以会出现梯度消失与爆炸问题，因此
在进行多步滚动预测初期就出现了较大偏离。
[0120] 星形标记曲线和方形标记曲线分别代表LSTM和融合模型的预测结果，从图7中可以看出，两条曲线在初始的10分钟内都能较好的拟合真实曲线，但星形标记曲线在10分钟
后出现了较大的预测误差，虽然LSTM网络引入了遗忘机制，但仍然会出现梯度层间衰减，这
使得它无法捕捉长序列信息。而方形标记曲线尽管在10到30分钟内拟合真实值曲线略有偏
差(但偏差率不大于5％)，但总体上前30分钟内都一直能够较好地贴近真实曲线。
[0121] 因此，从以上的分析可以看出本发明的融合模型在短期预测中相比另外两种深度模型的拟合效果略好，尤其是在中长期预测能力上明显优于另外两种模型，这是因为融合
模型中的DIndRNN层引入Relu非饱和激活函数，使得其较好的解决了梯度消失与爆炸问题，
因此，这也进一步说明本发明引入的融合模型能够提高中长期预测精度。
[0122] 多步置信评估结果如图8所示。
[0123] 图8中由浅至深着色区域分别对应99.73％、95.45％和68.27％的随机取值区间；从图中可以看出，随着预测时长的增加，概率分布曲线逐渐趋于平缓，模型预测结果的方差
遵循平方叠加原则并逐渐增加，不同概率取值区间也随之扩大，模型具有短期预测精度高，
长期预测精度低的特点。
[0124] 图8中纵向曲线为不同位置预测值概率分布曲线，随着预测时长的增加，概率分布曲线趋于平缓。从图中可以看出，融合模型长期预测能力较好，在前30分钟内能够较好地贴
近真实值的变化。随着时间步长的推进，预测值概率分布曲线趋于平缓，预测值方差扩大。
[0125] 图9中曲线是真实值落在预测值固定偏差范围内的概率。从图中可以看出，随着滚动预测的推进，实际值落在各个取值区间内的概率都在下降。前十分钟内概率快速下降较
大，随后下降速度趋于平缓，代表短期预测可信度高，长期预测可信度低。
[0126] AGC系统调用模型进行指令矫正的一个实例如下：
[0127] 以某省级电网实际运行断面为例，AGC计算指令为：调节机组A出力至304.34MW(即：指令A)。表1给出了机组执行指令A后实际出力的变化情况(第二列)。从表中可以看出，
机组出力在6分钟后逐渐趋于稳定，稳定时段内的平均出力为309.04MW，第10分钟出力为
309.29MW，与计算下发指令的差值为4.95MW，控制偏差较大。采用步骤S7对AGC计算指令进
行修正，指令修正值为302.67MW(即：指令B)，机组在10分钟后出力为304.69MW，与AGC下发
的计算指令值相差仅为0.35MW，基本和AGC计算指令一致，表1的第三列给出了预测执行结
果。
[0128] 表1机组实际出力和预测出力表
[0129]
[0130] 从以上分析可以看出，AGC系统通过调用融合模型，完成了对AGC计算指令的修正，进而实现了调控机组精准执行AGC计算指令值的效果。
[0131] 以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的
普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护
范围。
