Key points are not available for this paper at this time.
Vor dem Hintergrund des raschen Wandels der Energietechnologie und der tiefen Integration der künstlichen Intelligenz in das Stromsystem ist es von großer Bedeutung, die intelligente Entscheidungsfindungsmethode für die sicherheitsbeschränkte Belastungszuweisung (SCUC) mit hoher Anpassungsfähigkeit und hoher Genauigkeit zu untersuchen. In diesem Artikel wird daher ein auf erweiterten Sequenz-zu-Sequenz (E-Seq2Seq) basierendes datengestütztes SCUC-Expertenystem für dynamische Mehrfachsequenzen vorgeschlagen. Zunächst werden dynamische Mehrfachsequenzen von SCUC durch Analyse der Eingangs-Ausgangs-Sequenzmerkmale rekonstruiert. Dann wird ein E-Seq2Seq-Ansatz mit einer Architektur aus mehreren Encoder-Decoder-Paaren und einer voll verbundenen Erweiterungsschicht vorgeschlagen. Auf dieser Basis wird die einfache wiederkehrende Einheit als Neuron des E-Seq2Seq-Ansatzes eingeführt, um Deep-Learning-Modelle zu konstruieren, und ein intelligentes, datengestütztes Expertenystem für SCUC wird weiter entwickelt. Der vorgeschlagene Ansatz wurde an einem typischen IEEE 118-Bus-System und einem praktischen System in der Provinz Hunan in China simuliert. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine starke Generalisierbarkeit, hohe Lösungsgrafik und Effizienz im Vergleich zu traditionellen Methoden aufweisen könnte.
Yang et al. (Mittwoch) haben diese Frage untersucht.