蔡思燁 盧泉篠 胡鵬 楊恩龍 余玉良 顧小旭

摘 要：為解決傳統(tǒng)的電力系統(tǒng)調(diào)度檢修方法無法滿足電力系統(tǒng)安全可靠運(yùn)行要求，提出基于深度學(xué)習(xí)的調(diào)度檢修預(yù)案，以提高電力系統(tǒng)的可靠性與運(yùn)行效率。通過對(duì)數(shù)據(jù)進(jìn)行收集與預(yù)處理，消除原始數(shù)據(jù)中的異常值、缺失值、錯(cuò)誤數(shù)據(jù)。采用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)電力系統(tǒng)歷史數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，預(yù)測(cè)電力負(fù)荷及設(shè)備狀態(tài)。采用條件生成模型，通過對(duì)抗訓(xùn)練來自動(dòng)生成優(yōu)化的調(diào)度檢修預(yù)案。將提出的調(diào)度檢修預(yù)案生成技術(shù)應(yīng)用于實(shí)際的電力系統(tǒng)中，得到了電力系統(tǒng)1周的調(diào)度檢修預(yù)案。為電力系統(tǒng)運(yùn)維人員決策提供了參考。

關(guān)鍵詞：深度學(xué)習(xí)；電力系統(tǒng)；長(zhǎng)短期記憶網(wǎng)絡(luò)；條件生成模型；預(yù)案生成技術(shù)

中圖分類號(hào)：TM734

文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）03-0153-04

Construction of the plan generation model for scheduling and maintenance based on deep learning

CAI Siye，LU Quanxiao，HU Peng，YANG Enlong，YU Yuliang，GU Xiaoxu

（State Grid Shanghai Jiading Power Supply Company，Shanghai 201800）

Abstract：To solve the problem that traditional power system scheduling and maintenance methods cannot meet the requirements of safe and reliable operation of the power system，a scheduling and maintenance plan based on deep learning is proposed to improve the reliability and operational efficiency of the power system.By collecting and preprocessing data，outliers，missing values，and erroneous data in the original data were eliminated.Using long short-term memory networks to train and learn historical data of the power system，power load and equipment status were predicted.Using a conditional generation model，an optimized scheduling and maintenance plan was automatically generated through adversarial training.The proposed scheduling and maintenance plan generation technology was applied to actual power systems，resulting in a one week scheduling and maintenance plan for the power system.This provides a reference for decision-making of power system operation and maintenance personnel.

Key words：deep learning;power system;long short term memory networks;conditional generation model;plan generation technology

調(diào)度檢修是確保電力系統(tǒng)運(yùn)行穩(wěn)定性的關(guān)鍵，而傳統(tǒng)的調(diào)度檢修預(yù)案生成往往依賴于經(jīng)驗(yàn)，這導(dǎo)致預(yù)案生成效率低，預(yù)案質(zhì)量不穩(wěn)定，不能夠有效滿足實(shí)際的需求［1］。將深度學(xué)習(xí)技術(shù)應(yīng)用于電力系統(tǒng)調(diào)度檢修預(yù)案生成中對(duì)提升電力系統(tǒng)的運(yùn)行效率，降低運(yùn)行成本，優(yōu)化資源利用具有至關(guān)重要的價(jià)值。對(duì)深度強(qiáng)化學(xué)習(xí)在配電網(wǎng)優(yōu)化運(yùn)行中的應(yīng)用進(jìn)行了綜述［2］。構(gòu)建了由離線訓(xùn)練模塊、在線決策模塊、效果評(píng)估模塊構(gòu)成的電網(wǎng)調(diào)度智能決策功能架構(gòu)［3］。在對(duì)模型驅(qū)動(dòng)建模求解方法不足分析的基礎(chǔ)上提出了基于深度學(xué)習(xí)的微電網(wǎng)優(yōu)化調(diào)度輔助決策方法［4］。在前人研究的基礎(chǔ)上，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和生成對(duì)抗網(wǎng)絡(luò)（GAN）提出一種能夠自動(dòng)生成符合電力系統(tǒng)需求的調(diào)度檢修預(yù)案，從而為電力系統(tǒng)運(yùn)行與管理提供智能化、高效率的解決方案，推動(dòng)電力領(lǐng)域的創(chuàng)新發(fā)展。

1 電力系統(tǒng)調(diào)度檢修預(yù)案生成模型

1.1 生成模型架構(gòu)

電力系統(tǒng)具有運(yùn)行環(huán)境復(fù)雜、負(fù)荷需求多變等特點(diǎn)，采用GAN作為模型的核心架構(gòu)，其由生成器（G）和判別器（D）2個(gè)關(guān)鍵部分構(gòu)成［5］。生成器接收負(fù)荷、狀態(tài)預(yù)測(cè)模塊的條件輸入以及隨機(jī)噪聲，從而產(chǎn)生一系列的電力系統(tǒng)調(diào)度檢修預(yù)案。生成器通過學(xué)習(xí)電力系統(tǒng)運(yùn)行數(shù)據(jù)和設(shè)備狀態(tài)的模式，生成符合系統(tǒng)要求的操作計(jì)劃。判別器評(píng)估生成器生成預(yù)案的真實(shí)性及合理性，通過對(duì)抗訓(xùn)練，判別器指導(dǎo)生成器逐步生成更逼真的調(diào)度檢修預(yù)案。生成器和判別器構(gòu)成了一個(gè)動(dòng)態(tài)的博弈過程，二者之間形成對(duì)抗，即對(duì)抗網(wǎng)絡(luò)［6］。

設(shè)計(jì)基于GAN的模型，將電力系統(tǒng)調(diào)度檢修預(yù)案生成看作一個(gè)生成問題，通過對(duì)生成模型結(jié)構(gòu)及參數(shù)的優(yōu)化，得到調(diào)度檢修預(yù)案。在GAN中，生成器和判別器進(jìn)行極大、極小博弈，其損失函數(shù)［7］為：

minG? maxDVG，D=Εx～pdataxlogDx+Εz～pzzlog1－DGz（1）

1.2 生成模型流程

1.2.1 數(shù)據(jù)收集及預(yù)處理

數(shù)據(jù)收集及預(yù)處理是生成電力系統(tǒng)調(diào)度檢修預(yù)案的基礎(chǔ)，為模型的訓(xùn)練和預(yù)測(cè)提供支持，確保所生成的調(diào)度檢修預(yù)案真實(shí)、可靠。收集的數(shù)據(jù)能夠真實(shí)反映電力系統(tǒng)運(yùn)行與設(shè)備的狀態(tài)，具體如表1所示。

為確保收集到的數(shù)據(jù)準(zhǔn)確、一致，對(duì)數(shù)據(jù)進(jìn)行清洗操作，去除原始數(shù)據(jù)中的異常值、缺失值以及錯(cuò)誤數(shù)據(jù)。從清洗后的數(shù)據(jù)中提取數(shù)據(jù)特征，包括時(shí)間序列趨勢(shì)特征、周期性特征以及反應(yīng)設(shè)備狀態(tài)的關(guān)鍵參數(shù)。考慮到不同的數(shù)據(jù)存在尺度上的差異性，對(duì)數(shù)據(jù)進(jìn)行歸一化處理。數(shù)據(jù)歸一化處理公式為：

x=X－XminXmax－Xmin（2）

式中：X為原始數(shù)據(jù)；Xmin、Xmax分別為原始數(shù)據(jù)最小值、最大值；x為歸一化后數(shù)據(jù)。

1.2.2 電力負(fù)荷及設(shè)備狀態(tài)預(yù)測(cè)

電力負(fù)荷及設(shè)備狀態(tài)預(yù)測(cè)是電力系統(tǒng)調(diào)度檢修預(yù)案生成的關(guān)鍵，只有提供準(zhǔn)確的預(yù)測(cè)信息才能夠確保預(yù)案更加有效。采用RNN來構(gòu)建電力負(fù)荷及設(shè)備狀態(tài)預(yù)測(cè)模型，其中電力負(fù)荷預(yù)測(cè)的輸入為過去一段時(shí)間電力系統(tǒng)負(fù)荷數(shù)據(jù)，輸出為未來一段時(shí)間電力系統(tǒng)負(fù)荷；設(shè)備狀態(tài)預(yù)測(cè)的輸入為過去一段時(shí)間設(shè)備狀態(tài)數(shù)據(jù)，輸出為未來一段時(shí)間設(shè)備狀態(tài)數(shù)據(jù)。長(zhǎng)短期記憶網(wǎng)絡(luò)作為特殊的RNN結(jié)構(gòu)，能夠更好地捕捉長(zhǎng)期依賴關(guān)系，因此選擇長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）作為模型架構(gòu)，其能夠更好地適應(yīng)電力負(fù)荷及設(shè)備狀態(tài)的復(fù)雜變化要求［8］。

LSTM有一個(gè)記憶單元和輸入門、輸出門、遺忘門3個(gè)門結(jié)構(gòu)［9］，其中記憶單元是LSTM的核心，其用來存儲(chǔ)時(shí)間序列信息，能夠選擇性地傳遞或遺忘信息；輸入門用于控制輸入與記憶單元的結(jié)合；輸出門用于控制由記憶狀態(tài)到輸出的信息流；遺忘門用于決定是否丟棄先前的記憶狀態(tài)，從而與當(dāng)前的輸入相匹配。輸入數(shù)據(jù)Xt和前一時(shí)刻的輸出數(shù)據(jù)ht－1共同作用于遺忘門，通過遺忘門來記憶重要信息，舍棄無關(guān)信息，達(dá)到信息篩選的目的，其數(shù)學(xué)表達(dá)式［10］

ft=σWf·ht－1，Xt+bf（3）

式中：數(shù)據(jù)Xt和ht－1作為輸入門的輸入，對(duì)數(shù)據(jù)進(jìn)行更新；其數(shù)學(xué)表達(dá)式［11］為：

it=σWi×ht－1，Xt+biC～t=tanhWC×ht－1，Xt+bC（4）

數(shù)據(jù)Xt、ht－1以及前一時(shí)刻記憶單元狀態(tài)Ct－1作為記憶單元輸入，從而實(shí)現(xiàn)對(duì)記憶單元自身狀態(tài)的數(shù)據(jù)更新，其數(shù)學(xué)表達(dá)式為［12］：

Ct=ft×Ct－1+it×C～t（5）

將Xt、ht－1、Ct共同作用于輸出門，從而輸出數(shù)據(jù)ht，其數(shù)學(xué)表達(dá)式［13］為：

ot=σW0×ht－1，Xt+b0ht=ot×tanhCt（6）

圖1為長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)。

采用電力系統(tǒng)歷史數(shù)據(jù)對(duì)LSTM模型進(jìn)行訓(xùn)練學(xué)習(xí)，通過預(yù)測(cè)值與實(shí)際值誤差最小化來對(duì)LSTM模型參數(shù)進(jìn)行優(yōu)化。采用訓(xùn)練好的模型對(duì)電力負(fù)荷及設(shè)備狀態(tài)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果作為電力系統(tǒng)調(diào)度檢修預(yù)案生成的輸入。

1.2.3 調(diào)度檢修預(yù)案生成

傳統(tǒng)生成對(duì)抗網(wǎng)絡(luò)（GAN）中生成器試圖生成與真實(shí)數(shù)據(jù)相似的虛假數(shù)據(jù)，判別器區(qū)分真實(shí)數(shù)據(jù)和生成的數(shù)據(jù)。通過對(duì)抗訓(xùn)練，生成器逐漸提高生成數(shù)據(jù)的質(zhì)量，使其越來越難以被判別器區(qū)分。條件生成模型（CGAN）在GAN的基礎(chǔ)上引入了條件信息，以指導(dǎo)生成器的生成過程［14］。條件生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

由圖2可知，在CGAN中生成器輸入端接收服從分布pzz的噪聲z和服從分布pdatax的真實(shí)樣本x，y為輸入端拼接的額外信息。Gzy為生成樣本，是判別器的輸入，DGzy為判別器的輸出［15］。在電力系統(tǒng)調(diào)度檢修預(yù)案生成模型中，將電力負(fù)荷以及天氣和維護(hù)歷史數(shù)據(jù)作為條件輸入，由生成器G產(chǎn)生合理、可行的調(diào)度檢修預(yù)案。通過將條件輸入傳遞給生成器，由生成器生成一系列操作計(jì)劃，包括電力系統(tǒng)調(diào)度和設(shè)備檢修安排。判別器用來判斷生成的預(yù)案是否真實(shí)，其將真實(shí)的預(yù)案和生成器生成的預(yù)案進(jìn)行對(duì)比，從而提供反饋信號(hào)指導(dǎo)生成器的訓(xùn)練。定義Preal、Pfake為判別器對(duì)真實(shí)樣本real和生成樣本fake的輸出值，則有［16］ ：

Preal=DxyPfake=DGxy（7）

生成器和判別器對(duì)抗訓(xùn)練，不斷調(diào)整二者參數(shù)以使生成的預(yù)案更加符合實(shí)際情況。生成器和判別器的目標(biāo)函數(shù)為［17］ ：

LG=Ez～pzzlog1－DGzy

LD=－Ex～pdataxlogDxc－Ez～pzzlog1－DGzy （8）

生成器和判別器2個(gè)網(wǎng)絡(luò)不斷迭代，直到網(wǎng)絡(luò)參數(shù)穩(wěn)定達(dá)到納什均衡，其整體目標(biāo)函數(shù)［18］ 為：

minG?? maxDVG，D=Εx～pdataxlogDxy+Εz～pzzlog1－DGzy（9）

優(yōu)化的目標(biāo)是使得生成的預(yù)案在滿足電力系統(tǒng)需求的同時(shí)，盡可能減少成本、提高效率等。生成的預(yù)案為設(shè)備檢修時(shí)間表、運(yùn)行策略，從而為電力系統(tǒng)運(yùn)維人員提供具體的操作建議。

2 實(shí)例分析

2.1 問題描述

電力系統(tǒng)是現(xiàn)代社會(huì)的基礎(chǔ)設(shè)施，通過制定合理的調(diào)度檢修預(yù)案來確保供電的穩(wěn)定性。所選擇的案例來源于某局部區(qū)域電力系統(tǒng)，如圖3所示。

發(fā)電機(jī)是電力系統(tǒng)的核心組件，負(fù)責(zé)將機(jī)械能轉(zhuǎn)化為電能。電力系統(tǒng)有3臺(tái)發(fā)電機(jī)，發(fā)電機(jī)類型為水輪發(fā)電機(jī)，發(fā)電容量分別為100、 150、200 MW。變壓器用于調(diào)整電能的電壓級(jí)別，以便在輸電和分配過程中減小能量損耗。電力系統(tǒng)有2個(gè)變壓器，升壓變壓器的變比為1∶3，降壓變壓器的變比為3∶1。開關(guān)用于控制電力系統(tǒng)中不同部分的連接和斷開，以實(shí)現(xiàn)電能的分配和控制，共有5個(gè)開關(guān)，分布于不同發(fā)電機(jī)、變壓器和負(fù)荷之間。負(fù)荷包括家庭用電、工業(yè)設(shè)備、商業(yè)設(shè)施等，其在不同時(shí)間段內(nèi)有不同的需求，影響著電力系統(tǒng)的調(diào)度和運(yùn)行。

2.2 調(diào)度檢修預(yù)案生成

收集電力系統(tǒng)的運(yùn)行數(shù)據(jù)及設(shè)備狀態(tài)數(shù)據(jù)，包括發(fā)電機(jī)輸出、電力負(fù)荷、設(shè)備溫度等信息。對(duì)數(shù)據(jù)進(jìn)行清洗、特征提取和歸一化處理，以便用于模型訓(xùn)練。圖4為電力系統(tǒng)的電力負(fù)荷。

采用LSTM模型對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，模擬未來一周的電力負(fù)荷［19］。為評(píng)價(jià)預(yù)測(cè)模型的性能，采用平均絕對(duì)誤差（MAE）和平均絕對(duì)百分比誤差（MAPE）作為評(píng)價(jià)指標(biāo)，其數(shù)學(xué)表達(dá)式［20］為：

MAE=1N∑Ni=1Li－L^i

MAPE=1N∑Ni=1Li－L^iLi（10）

式中：N為樣本個(gè)數(shù)；Li為實(shí)際電力負(fù)荷；L^i為預(yù)測(cè)電力負(fù)荷。

一周電力負(fù)荷預(yù)測(cè)值與真實(shí)值對(duì)比結(jié)果如圖5所示，平均絕對(duì)誤差為12.65 MW，平均絕對(duì)百分比誤差為0.36%。

構(gòu)建包括生成器和判別器的條件生成模型（CGAN），生成器接收負(fù)荷和狀態(tài)預(yù)測(cè)結(jié)果作為條件輸入，以及隨機(jī)噪聲，生成一周的調(diào)度檢修預(yù)案，同時(shí)采用判別器評(píng)估生成預(yù)案的合理性和實(shí)用性。使用歷史數(shù)據(jù)對(duì)RNN和CGAN模型進(jìn)行訓(xùn)練，通過對(duì)抗訓(xùn)練優(yōu)化CGAN模型的生成器和判別器，以生成更合理的預(yù)案。表2為生成的第1天的調(diào)度檢修預(yù)案。

相對(duì)于傳統(tǒng)的調(diào)度檢修預(yù)案，基于深度學(xué)習(xí)的電力系統(tǒng)調(diào)度檢修預(yù)案能夠根據(jù)實(shí)時(shí)的負(fù)荷預(yù)測(cè)和設(shè)備狀態(tài)，個(gè)性化地生成適應(yīng)當(dāng)前電力系統(tǒng)條件的調(diào)度檢修預(yù)案。生成預(yù)案的模型可以適應(yīng)電力系統(tǒng)的復(fù)雜性，包括多種設(shè)備、多個(gè)因素和各種約束，模型可以學(xué)習(xí)復(fù)雜的關(guān)系和模式，以生成更優(yōu)化的預(yù)案。另外，通過數(shù)據(jù)驅(qū)動(dòng)的方法可以利用大量歷史數(shù)據(jù)進(jìn)行訓(xùn)練，從中學(xué)習(xí)電力系統(tǒng)的運(yùn)行模式和趨勢(shì)，使得生成的預(yù)案更有實(shí)際可行性。

3 結(jié)語

針對(duì)依賴于經(jīng)驗(yàn)與規(guī)則的傳統(tǒng)調(diào)度檢修方案不能夠滿足電力系統(tǒng)復(fù)雜性、多變性、實(shí)時(shí)性的問題，提出了基于深度學(xué)習(xí)的調(diào)度檢修預(yù)案輔助生成技術(shù)。采用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)電力負(fù)荷及設(shè)備狀態(tài)進(jìn)行預(yù)測(cè)，并通過條件生成模型生成調(diào)度檢修預(yù)案。將提出的調(diào)度檢修預(yù)案輔助生成技術(shù)應(yīng)用于實(shí)際的電力系統(tǒng)中，結(jié)果表明，其能夠?qū)﹄娏ω?fù)荷進(jìn)行精準(zhǔn)預(yù)測(cè)，平均絕對(duì)百分比誤差在0.36%，同時(shí)所生成的調(diào)度檢修預(yù)案是基于大量歷史數(shù)據(jù)的訓(xùn)練，確保了生成預(yù)案的實(shí)際可行性。這對(duì)提高電力系統(tǒng)調(diào)度檢修預(yù)案的生成效率與預(yù)案的實(shí)用性具有一定的參考價(jià)值。

【參考文獻(xiàn)】

［1］ 謝虎，楊占杰，張偉，等.基于混合蝙蝠算法的高比例風(fēng)電電力系統(tǒng)調(diào)度方法［J］.可再生能源，2023，41（6）：804-809.

［2］ 胡維昊，曹迪，黃琦，等.深度強(qiáng)化學(xué)習(xí)在配電網(wǎng)優(yōu)化運(yùn)行中的應(yīng)用［J］.電力系統(tǒng)自動(dòng)化，2023，47（14）：174-191.

［3］ 王珂，姚建國(guó)，余佩遙，等.基于深度強(qiáng)化學(xué)習(xí)的電網(wǎng)前瞻調(diào)度智能決策架構(gòu)及關(guān)鍵技術(shù)初探［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2022，42（15）：5430-5439.

［4］ 陳衛(wèi)東，吳寧，黃彥璐，等.基于深度學(xué)習(xí)的微電網(wǎng)優(yōu)化調(diào)度輔助決策方法［J］.南方電網(wǎng)技術(shù)，2022，16（1）：117-126.

［5］ 陳文婷，陳學(xué)勤，王偉津，等.面向稀疏數(shù)據(jù)場(chǎng)景的生成對(duì)抗網(wǎng)絡(luò)推薦算法［J］.福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（4）：467-474.

［6］ 黃棋悅，嚴(yán)楠，鐘旭佳.基于生成對(duì)抗網(wǎng)絡(luò)的風(fēng)電爬坡功率預(yù)測(cè)［J］.太陽能學(xué)報(bào)，2023，44（1）：226-231.

［7］ 邵振國(guó)，張承圣，陳飛雄，等.生成對(duì)抗網(wǎng)絡(luò)及其在電力系統(tǒng)中的應(yīng)用綜述［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2023，43（3）：987-1004.

［8］ 侯佐新，袁樹文.采用神經(jīng)網(wǎng)絡(luò)建模對(duì)海下有機(jī)材料加固的油井產(chǎn)量預(yù)測(cè)研究［J］.粘接，2023，50（3）：178-182.

［9］ 林藝華.基于深度學(xué)習(xí)的高速公路交通流數(shù)據(jù)監(jiān)控方法研究［J］.粘接，2021，46（5）：182-186.

［10］ 柳薇，張波，梁明源.基于深度學(xué)習(xí)的電力數(shù)據(jù)分析研究［J］.宇航計(jì)測(cè)技術(shù)，2023，43（3）：97-102.

［11］ 李剛，孟坤，賀帥，等.考慮特征耦合的Bi-LSTM變壓器故障診斷方法［J］.中國(guó)電力，2023，56（3）：100-108.

［12］ 楊廷勝，盧志鵬，苗厚利.基于PMS的設(shè)備故障數(shù)據(jù)分析模型構(gòu)建及仿真［J］.粘接，2022，49（7）：165-169.

［13］ 李鑫，李海明，馬健.基于單步預(yù)測(cè)LSTM的短期負(fù)荷預(yù)測(cè)模型［J］.計(jì)算機(jī)仿真，2022，39（6）：98-102.

［14］ 米陽，盧長(zhǎng)坤，申杰，等.基于條件生成對(duì)抗網(wǎng)絡(luò)的風(fēng)電功率極端場(chǎng)景生成［J］.高電壓技術(shù)，2023，49（6）：2253-2263.

［15］ 劉文杰，趙膠膠，張穎，等.一種量子條件生成對(duì)抗網(wǎng)絡(luò)算法［J］.電子學(xué)報(bào)，2022，50（7）：1586-1593.

［16］ 楊國(guó)亮，王楊，賴振東.基于條件生成對(duì)抗網(wǎng)絡(luò)的水下圖像增強(qiáng)算法［J］.傳感器與微系統(tǒng)，2021，40（5）：121-123.

［17］ 林珊，王紅，齊林海，等.基于條件生成對(duì)抗網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)［J］.電力系統(tǒng)自動(dòng)化，2021，45（11）：52-60.

［18］ 戴蓉.一種基于條件生成對(duì)抗網(wǎng)絡(luò)的面部表情識(shí)別技術(shù)［J］.計(jì)算機(jī)應(yīng)用與軟件，2020，37（8）：166-170.

［19］ 李艷波，尹鐠，陳俊碩，等.結(jié)合改進(jìn)殘差網(wǎng)絡(luò)和Bi-LSTM的短期電力負(fù)荷預(yù)測(cè)［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2023，55（8）：79-86.

［20］ 方娜，李俊曉，陳浩，等.基于CNN-GRU-MLR的多頻組合短期電力負(fù)荷預(yù)測(cè)［J］.計(jì)算機(jī)仿真，2023，40（1）：118-124.

收稿日期：2023-10-16；修回日期：2024-02-18

作者簡(jiǎn)介：蔡思燁（1996-），女，碩士，助理工程師，研究方向：電力調(diào)度運(yùn)行；E-mail：sia_cai@163.com。

引文格式：蔡思燁，盧泉篠，胡 鵬，等.基于深度學(xué)習(xí)的調(diào)度檢修預(yù)案生成模型構(gòu)建［J］.粘接，2024，51（3）：153-156.