(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211231748.3 (22)申请日 2022.09.30 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 汪润中　严骏驰　杨小康　 (74)专利代理 机构 上海交达专利事务所 31201 专利代理师 王毓理　王锡麟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 预测性优化的电力系统规划方法 (57)摘要 一种预测性优化的电力系统规划方法， 通过 初始化后构造机器学习预测模型并进行有监督 训练后， 在在线阶段， 利用机器学习模型进行推 理。 本发明在机器学习模型的训练过程中同时考 虑优化步骤， 形成预测 ‑决策一体化的学习框架， 将预测、 决策步骤协同训练， 能够减轻现有技术 中决策步骤受到预测误差误 导的问题。 权利要求书2页 说明书3页 附图2页 CN 115471009 A 2022.12.13 CN 115471009 A 1.一种预测性优化的电力系统规划方法， 其特 征在于， 包括： 步骤1、 初始化： 输入预测窗口宽度、 候选资产列表， 获取所有电价的历史数据后， 将电 价的历史数据划分为训练、 验证和测试数据集， 每个样本包含历史电价以及对未来电价预 测的真值； 步骤2、 构造 机器学习预测模型并进行有监 督训练， 具体包括： 2.1构造机器学习预测模型： 使用长短时记忆模型构造一个编码器， 该编码器接收资产 的历史电价、 天气情况以及宏观指数以时间序列并输出长短时记忆模型 的隐向量； 使用长 短时记忆模型根据预测窗口的长度构 造解码器， 该解码 器接收编 码器输出的 隐向量并以时 间序列的形式输出对未来电价的预测； 根据未来电价的预测值计算收益和风险指标μ,Σ， 基于该形式的均值 ‑方差优化是一个二次规划问题， 在前向计算中直接对二次规划问题进 行求解， 得到资产组合 w； 2.2有监督训练， 具体为： 基于训练数据预测窗口的电价真值， 计算实际的收益和风险 指标 基于模型预测的资产组合w和 真值 计算目标函数 学习的目标即为 通过梯度反传， 最大化该目标函数； 当添加多个Gumbel噪声进而计算得到多个目标函数， 则 将所有目标函数求平均作为监督信号； 训练过程中遍历所有的训练集数据， 使模 型收敛， 最 后根据验证集的模型性能调整超参数； 在测试集上评估 模型的性能； 步骤3、 在线阶段， 利用机器学习模型进行推理， 具体为： 加载训练中最优的模型权重， 输入历史数据和预测窗口长度， 使用模型预测资产 组合w； 基于验证集/测试集数据预测窗 口的电价真值， 计算实际的收益和风险指标 根据模型预测的资产组合w和真值 计 算目标函数 作为评估模型性能好坏的指标， 并通过计算真实的收益与风险值， 作 为性能评估指标。 2.根据权利要求1所述的预测性优化的电力系统规划方法， 其特征是， 所述的对二 次规 划问题进行求解是指： 采用但不限于cvxpy软件求解二次规划问题 s.t.w≥0, sum(w)＝1， 其中： 优化目标函数J(w, μ,Σ)为用户期望的风险、 收益偏好， w代表分配给每个 电力资产的权重， 向量μ代表平均电价对应的收益， 矩阵Σ代表电价波动对应的风险。 当二 次规划问题具有基数约束， 则基于编码器和解码器的隐向量， 使用全连接网络输出选择某 一项资产的概率， 使用可微的Gumbel ‑Sinkhorn算法使得机器学习预测 模型的输出满足基 数约束， 当设定最多持有k项资产， 对应的均值 ‑方差优化问题新增|w|0≤k约束， 具体为： s.t.w≥0,sum(w)＝1,|w|0≤k。 3.根据权利要求2所述的预测性优化的电力系统规划方法， 其特征是， 所述的全连接网 络的最后一层使用Sigmo id激活函数并预测选择每项资产的概 率。 4.根据权利要求2所述的预测性优化的电力系统规划方法， 其特征是， 所述的Gumbel ‑ Sinkhorn算法是指： 采用全连接网络为每项资产预测被选择的概率x后， 在向量x上添加 Gumbel噪声得到 再将 中的元素分别与0、 1计算距离， 得到代价矩阵， 将代价矩阵输入 Sinkhorn算法， 即可得到每项资产作为前k个 资产被选中的概率， 将 被选中概率代入优化目 标函数， 进一 步求得满足约束的资产组合 w。 5.根据权利要求2所述的预测性优化的电力系统规划方法， 其特征是， 所述的用户期望权　利　要　求　书 1/2 页 2 CN 115471009 A 2的风险、 收益偏好包括： 风险、 收益 的加权J(w, μ,Σ)＝wTμ‑λwTΣw、 夏普比率J(w, μ,Σ)＝ 其中： λ为加权 权重， rf为无风险收益 率。 6.根据权利要求1所述的预测性优化的电力系统规划方法， 其特征是， 为测试集分布的 独立性和公平性， 训练集、 验证集和 测试集的预测窗口不能在时间上重合。 7.根据权利要求2或4所述的预测性优化的电力系统规划方法， 其特征是， 当采用 Gumbel‑Sinkhorn方案， 模型同时预测多个资产组合， 则选择对应J(w, μ,Σ)值最大的权重 输出， 其中 μ,Σ由模型 预测得到 。 8.一种实现权利要求1 ‑7中任一所述预测性优化的 电力系统规划方法的系统， 其特征 在于， 包括： 用户输入单元、 数据获取单元、 模型训练单元、 在线预测单元和信息输出单元， 其中： 用户输入单元根据用户输入的风险、 收益偏好信息和历史数据窗口信息， 对上述信息 进行存储； 数据获取单元根据存储的历史数据窗口信息， 从数据库中拉取对应时间窗口下 电价的历史数据， 得到训练集、 验证集、 测试集； 模型训练单元根据训练集信息， 对模型进 行 有监督训练， 根据验证集和测试集对模 型性能进 行评估， 得到训练完 毕的模型； 在线 预测单 元根据训练完 毕的模型， 对在线 数据进行预测， 得到电力规划结果； 信息输出单元根据其他 单元输入的信息， 通过计算机屏幕输出至用户。权　利　要　求　书 2/2 页 3 CN 115471009 A 3