应用深度学习算法的智慧能源调度决策方法及系统与流程

本技术涉及深度学习，具体而言，涉及一种应用深度学习算法的智慧能源调度决策方法及系统。

背景技术：

1、在当前的能源调度领域中，能源调度策略的制定通常依赖于专家经验和数据分析。然而，由于能源系统本身的复杂性和不确定性，单一的能源调度策略往往难以满足各种不同场景下的能源需求。也即，在当前的能源管理系统中，对于不同的能源需求场景，如何有效地进行能源调度是一个重要的问题。传统的能源调度方法通常是预先设定一些固定的能源调度策略，并在实际操作中选择适合的策略来执行。然而，这种方法往往忽视了能源需求场景的多样性和动态变化性，不能很好地满足复杂和变化的能源需求。

2、因此，如何在复杂和动态变化的能源需求场景下，更精确地进行能源调度，使得能源调度策略能够更好地满足目标能源需求，是当前亟待解决的问题。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种应用深度学习算法的智慧能源调度决策方法及系统，可以有效提高能源调度方案的准确性和实用性，适应各种不同的能源场景状态数据，为不同的能源需求提供更合适的调度策略和方案。

2、依据本技术实施例的一个方面，提供一种应用深度学习算法的智慧能源调度决策方法，所述方法包括：

3、获取k个参考能源调度策略各自对应的参考能源调度决策网络；

4、将目标能源需求对应的目标能源场景状态数据分别加载到k个所述参考能源调度决策网络，依据k个所述参考能源调度决策网络分别生成能源调度知识矢量，所述目标能源场景状态数据包括能源供应状态数据、能源设备状态数据、能源环境状态数据中一种或者多种；

5、依据所述目标能源场景状态数据和k个所述参考能源调度决策网络分别生成的能源调度知识矢量，确定k个所述参考能源调度决策网络各自对应的能源需求匹配指标；k个所述参考能源调度决策网络各自对应的能源需求匹配指标反映所述目标能源需求和k个所述参考能源调度策略之间的需求匹配度；

6、基于k个所述参考能源调度决策网络和k个所述参考能源调度决策网络各自对应的能源需求匹配指标，生成所述目标能源需求对应的候选能源调度决策网络。

7、在第一方面的一种可能的实施方式中，所述将目标能源需求对应的目标能源场景状态数据分别加载到k个所述参考能源调度决策网络，依据k个所述参考能源调度决策网络分别生成能源调度知识矢量，包括：

8、对目标能源需求对应的目标能源场景状态数据进行能源状态事件分离，生成所述目标能源场景状态数据的能源状态事件；

9、获取所述能源状态事件对应的能源状态趋势矢量，依据k个所述参考能源调度决策网络分别对所述能源状态趋势矢量进行能源调度决策，生成k个所述参考能源调度决策网络分别生成的能源调度知识矢量。

10、在第一方面的一种可能的实施方式中，k个所述参考能源调度决策网络包括参考能源调度决策网络mi，所述i为不大于所述k的正整数；

11、所述依据所述目标能源场景状态数据和k个所述参考能源调度决策网络分别生成的能源调度知识矢量，确定k个所述参考能源调度决策网络各自对应的能源需求匹配指标，包括：

12、依据所述目标能源场景状态数据和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数；

13、对k个所述参考能源调度决策网络各自对应的评估指标更新参数进行指标计算，生成k个所述参考能源调度决策网络各自对应的参考评估指标，将k个所述参考能源调度决策网络各自对应的参考评估指标之和，输出为全局参考评估指标，将所述参考能源调度决策网络mi对应的参考评估指标和所述全局参考评估指标的比值，输出为所述参考能源调度决策网络mi对应的能源需求匹配指标。

14、在第一方面的一种可能的实施方式中，所述依据所述目标能源场景状态数据和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数，包括：

15、对所述目标能源场景状态数据对应的专家知识能源调度数据进行能源调度事件分离，生成所述专家知识能源调度数据的先验能源调度事件；

16、获取所述先验能源调度事件对应的先验调度知识矢量，依据代价函数生成所述先验调度知识矢量和所述参考能源调度决策网络mi生成的能源调度知识矢量之间的代价函数值；

17、基于所述代价函数值，生成所述参考能源调度决策网络mi对应的评估指标更新参数；

18、其中，所述参考能源调度决策网络mi生成的能源调度知识矢量的数量为w个，所述w为正整数；所述先验调度知识矢量的数量为q个，所述q为正整数；

19、所述依据代价函数生成所述先验调度知识矢量和所述参考能源调度决策网络mi生成的能源调度知识矢量之间的代价函数值，包括：

20、对所述参考能源调度决策网络mi生成的w个所述能源调度知识矢量分别进行规则化转换，生成w个所述能源调度知识矢量各自对应的规则化调度知识矢量；

21、如果所述w等于所述q，则基于w个所述规则化调度知识矢量的节点次序、q个所述先验调度知识矢量的节点次序和代价函数，确定相同调度矢量节点上的规则化调度知识矢量和先验调度知识矢量之间的代价函数值；

22、如果所述w大于所述q，则从w个所述规则化调度知识矢量中获取q个所述规则化调度知识矢量，基于q个所述规则化调度知识矢量的节点次序、q个所述先验调度知识矢量的节点次序和代价函数，确定相同调度矢量节点上的规则化调度知识矢量和先验调度知识矢量之间的代价函数值；

23、如果所述w小于所述q，则从q个所述先验调度知识矢量中获取w个所述先验调度知识矢量，基于w个所述规则化调度知识矢量的节点次序、w个所述先验调度知识矢量的节点次序和代价函数，确定相同调度矢量节点上的规则化调度知识矢量和先验调度知识矢量之间的代价函数值。

24、在第一方面的一种可能的实施方式中，所述依据所述目标能源场景状态数据和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数，包括：

25、依据所述目标能源场景状态数据对应的专家知识能源调度数据和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi在第一轮误差梯度回传时的参考网络误差参数；

26、基于所述参考能源调度决策网络mi在第一轮误差梯度回传时的参考网络误差参数，确定所述参考能源调度决策网络mi中的待优化参数的权重更新值；

27、将所述参考能源调度决策网络mi中的待优化参数的权重更新值之和，输出为所述参考能源调度决策网络mi对应的评估指标更新参数。

28、在第一方面的一种可能的实施方式中，所述依据所述目标能源场景状态数据和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数，包括：

29、获取所述目标能源需求对应的协同能源调度决策网络；所述协同能源调度决策网络是依据所述目标能源需求对任选的候选能源调度决策网络进行网络配置生成的；

30、将所述目标能源场景状态数据加载到所述协同能源调度决策网络，依据所述协同能源调度决策网络生成协同调度知识矢量；

31、依据所述协同调度知识矢量和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数；

32、其中，所述参考能源调度决策网络mi生成的能源调度知识矢量的数量为w个，所述w为正整数；所述协同调度知识矢量的数量为t个，所述t为正整数；

33、所述依据所述协同调度知识矢量和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数，包括：

34、如果所述w等于所述t，则基于w个所述能源调度知识矢量的节点次序和t个所述协同调度知识矢量的节点次序，确定相同调度矢量节点上的能源调度知识矢量和协同调度知识矢量之间的离散指数，将每个调度矢量节点上的所述离散指数之和，输出为所述参考能源调度决策网络mi对应的评估指标更新参数；

35、如果所述w大于所述t，则从w个所述能源调度知识矢量中获取t个所述能源调度知识矢量，基于t个所述能源调度知识矢量的节点次序和t个所述协同调度知识矢量的节点次序，确定相同调度矢量节点上的能源调度知识矢量和协同调度知识矢量之间的离散指数，将每个调度矢量节点上的所述离散指数之和，输出为所述参考能源调度决策网络mi对应的评估指标更新参数；

36、如果所述w小于所述t，则从t个所述协同调度知识矢量中获取w个所述协同调度知识矢量，基于w个所述能源调度知识矢量的节点次序和w个所述协同调度知识矢量的节点次序，确定相同调度矢量节点上的能源调度知识矢量和协同调度知识矢量之间的离散指数，将每个调度矢量节点上的所述离散指数之和，输出为所述参考能源调度决策网络mi对应的评估指标更新参数。

37、在第一方面的一种可能的实施方式中，所述依据所述目标能源场景状态数据和所述参考能源调度决策网络mi生成的能源调度知识矢量，生成所述参考能源调度决策网络mi对应的评估指标更新参数，包括：

38、对所述目标能源场景状态数据对应的专家知识能源调度数据进行能源调度事件分离，生成所述专家知识能源调度数据的先验能源调度事件；

39、获取所述先验能源调度事件对应的先验调度知识矢量，生成所述先验调度知识矢量和所述参考能源调度决策网络mi生成的能源调度知识矢量之间的特征距离；

40、基于所述特征距离，生成所述参考能源调度决策网络mi对应的评估指标更新参数。

41、在第一方面的一种可能的实施方式中，k个所述参考能源调度决策网络包括参考能源调度决策网络mi，所述i为不大于所述k的正整数；所述参考能源调度决策网络mi包括优化网络功能层；所述参考能源调度决策网络mi的优化网络功能层中包括待优化参数；k个所述参考能源调度决策网络均包括具有相同网络功能层架构和相同网络因子的自编码单元；

42、所述基于k个所述参考能源调度决策网络和k个所述参考能源调度决策网络各自对应的能源需求匹配指标，生成所述目标能源需求对应的候选能源调度决策网络，包括：

43、基于所述参考能源调度决策网络mi的优化网络功能层中的待优化参数的配置信息和所述参考能源调度决策网络mi对应的能源需求匹配指标，生成所述参考能源调度决策网络mi对应的网络更新信息；

44、基于k个所述参考能源调度决策网络各自对应的网络更新信息，生成全局网络更新信息；

45、将所述参考能源调度决策网络mi的优化网络功能层中的待优化参数的配置信息更新为所述全局网络更新信息，将更新后的优化网络功能层和所述自编码单元，输出为所述目标能源需求对应的候选能源调度决策网络。

46、在第一方面的一种可能的实施方式中，所述方法还包括：

47、将所述目标能源场景状态数据加载到所述候选能源调度决策网络，依据所述候选能源调度决策网络生成能源调度决策矢量；

48、获取所述目标能源场景状态数据对应的专家知识能源调度数据，获取所述专家知识能源调度数据对应的先验调度知识矢量，依据所述先验调度知识矢量和所述能源调度决策矢量，确定所述候选能源调度决策网络的网络误差参数；

49、基于所述网络误差参数对所述候选能源调度决策网络进行训练，当训练后的候选能源调度决策网络符合网络终止条件时，将训练后的候选能源调度决策网络确定目标能源调度决策网络；所述目标能源调度决策网络具有针对属于所述目标能源需求的能源需求类别的能源场景状态数据的能源调度决策性能。

50、依据本技术实施例的一个方面，提供了一种智慧能源服务系统，所述智慧能源服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的应用深度学习算法的智慧能源调度决策方法。

51、依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。

52、在本技术的一些实施例所提供的技术方案中，通过获取k个参考能源调度策略各自对应的参考能源调度决策网络，将目标能源需求对应的目标能源场景状态数据分别加载到k个参考能源调度决策网络，依据k个参考能源调度决策网络分别生成能源调度知识矢量，然后依据目标能源场景状态数据和k个参考能源调度决策网络分别生成的能源调度知识矢量，确定k个参考能源调度决策网络各自对应的能源需求匹配指标，最后基于k个参考能源调度决策网络和k个参考能源调度决策网络各自对应的能源需求匹配指标，生成目标能源需求对应的候选能源调度决策网络。由此，可以有效提高能源调度方案的准确性和实用性，适应各种不同的能源场景状态数据，为不同的能源需求提供更合适的调度策略和方案。

53、也即，本技术通过获取k个参考能源调度策略对应的参考能源调度决策网络，并结合目标能源需求对应的目标能源场景状态数据，生成相应的能源调度知识矢量。进一步，依据这些能源调度知识矢量和目标能源场景状态数据，确定各个参考能源调度决策网络对应的能源需求匹配指标，从而反映出目标能源需求与各个参考能源调度策略之间的需求匹配度。这样，能够有效地量化并比较不同能源调度策略与目标能源需求之间的匹配度，提供了一个量化的、客观的评价标准，使得能源调度决策更加精确和科学。通过基于能源需求匹配指标生成候选能源调度决策网络，能够更灵活地适应不同的能源需求场景，增强了能源调度策略的应用范围和适应性。此外，利用了参考能源调度决策网络生成的能源调度知识矢量，充分挖掘和利用了历史能源调度数据中的知识，有助于提高能源调度的效率和质量。采用了将目标能源场景状态数据加载到参考能源调度决策网络的方式，使得能源调度决策能够更好地适应当前的能源场景状态，从而提高了能源调度的准确性和稳定性。