LSTM和蚁群算法在智能电厂调度中的应用.pdfVIP

第３９卷第５期自动化仪表Ｖｏｌ３９Ｎｏ５

２０１８年５月ＰＲＯＣＥＳＳＡＵＴＯＭＡＴＩＯＮＩＮＳＴＲＵＭＥＮＴＡＴＩＯＮＭａｙ．２０１８

ＬＳＴＭ和蚁群算法在智能电厂调度中的应用

１２１１１１

梁肖，胡逸飞，黄太贵，李端超，高卫恒，孙仪

（１．安徽电力调度控制中心，安徽合肥２３００２２；２．中国科学技术大学计算机科学与技术学院，安徽合肥２３００２７）

摘要：各级电力公司积累了大量的历史发电数据，但是一直以来都没有得到有效利用。针对采用手工方式进行电力调度存在效率

较低的问题，提出了一种基于长短时记忆网络（ＬＳＴＭ）和蚁群算法的智能调度算法。基于ＬＳＴＭ深度学习算法，通过对电力公司历史

数据进行建模，ＬＳＴＭ算法可以有效提取出有效特征，实现预测一定条件下机组的耗煤量。同时，利用蚁群算法（ＡＣＯ）设计了一种智

能电力调度算法，从而在满足在完成实时发电任务的情况下，尽可能地节能减排。试验表明，采用ＬＳＴＭ算法，相比较线性回归、随机

森林等算法，预测耗煤量的均方误差更小；采用ＡＣＯ算法，相比较等微增率法、动态规划法以及遗传算法，可以更加快速、有效地分配

发电负荷。

关键词：智能电网；节能调度；机器学习；深度学习；长短时记忆网络；蚁群算法

中图分类号：ＴＨ⁃１６４；ＴＰ１８３文献标志码：ＡＤＯＩ：１０．１６０８６／ｊ．ｃｎｋｉ．ｉｓｓｎ１０００⁃０３８０．２０１７０９００４１

ＡｐｐｌｉｃａｔｉｏｎｏｆＬＳＴＭａｎｄＡＣＯｉｎＩｎｔｅｌｌｉｇｅｎｔＥｌｅｃｔｒｉｃＰｏｗｅｒＤｉｓｐａｔｃｈｉｎｇ

１２１１１１

ＬＩＡＮＧＸｉａｏ，ＨＵＹｉｆｅｉ，ＨＵＡＮＧＴａｉｇｕｉ，ＬＩＤｕａｎｃｈａｏ，ＧＡＯＷｅｉｈｅｎｇ，ＳＵＮＹｉ

（１．ＤｉｓｐａｔｃｈｉｎｇａｎｄＣｏｎｔｒｏｌＣｅｎｔｅｒ，ＡｎｈｕｉＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｒｐｏｒａｔｉｏｎ，Ｈｅｆｅｉ２３００２２，Ｃｈｉｎａ；

２．ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａ，Ｈｅｆｅｉ２３００２７，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅｅｌｅｃｔｒｉｃｐｏｗｅｒｃｏｍｐａｎｉｅｓａｔａｌｌｌｅｖｅｌｓｈａｖｅａｃｃｕｍｕｌａｔｅｄａｌａｒｇｅａｍｏｕｎｔｏｆｈｉｓｔｏｒｉｃａｌｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｄａｔａ，ｂｕｔ

ｔｈｅｓｅｄａｔａｈａｖｅｎｏｔｂｅｅｎｅｆｆｅｃｔｉｖｅｌｙｕｓｅｄ．Ｗｈｅｎｃｏｎｄｕｃｔｉｎｇｐｏｗｅｒｄｉｓｐａｔｃｈｉｎｇ，ａｒｔｉｆｉｃｉａｌｍａｎｕａｌｏｐｅｒａｔｉｏｎｉｓｓｔｉｌｌｕｓｅｄｆｏｒ

ｓｃｈｅｄｕｌｉｎｇａｎｄｔｈｅｅｆｆｉｃｉｅｎｃｙｉｓｌｏｗ．Ａｎｅｗｉｎｔｅｌｌｉｇｅｎｔｅｌｅｃｔｒｉｃｐｏｗｅｒｄｉｓｐａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｌｏｎｇ⁃ｔｅｒｍａｎｄｓｈｏｒｔ⁃ｔｅｒｍ

ｍｅｍｏｒｙｎｅｔｗｏｒｋ（ＬＳＴＭ）ａｎｄａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ（ＡＣＯ）ｉｓｐｒｏｐｏｓｅｄ．ＢａｓｅｄｏｎｔｈｅＬＳＴＭｄｅｅｐｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ，ｂｙ

ｍｏｄｅｌｉｎｇｔｈｅｈｉｓｔｏｒｉｃａｌｄａｔａｆｒｏｍｔｈｅｅｌｅｃｔｒｉｃｃｏｍｐａｎｉｅｓ，ｔｈｅＬＳＴＭａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｅｘｔｒａｃｔｅｆｆｅｃｔｉｖｅ