(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 202211041308.1 (22)申请日 2022.08.29 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 (72)发明人 费香泽　顾克　张琰　刘佳龙　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/12(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于GA-BP神经网络的抽水蓄能电站规划方 法及系统 (57)摘要 本发明提供了基于GA ‑BP神经网络的抽水蓄 能电站规划方法及系统， 包括： 获取抽水蓄能工 程选址参数， 由抽水蓄能工程选址参数枚举多个 抽水蓄能工程方案； 将每个抽水蓄能工程方案带 入预先训练好的GA ‑BP神经网络得到抽水蓄能工 程方案的成本； 将抽水蓄能工程成本最低的抽水 蓄能工程方案作为抽水蓄能电站的规划方案； 其 中， 训练好的GA ‑BP神经网络是基于历史抽水蓄 能工程方案作为输入、 历史抽水蓄能工程的成本 作为输出对BP神经网络进行训练， 并基于遗传算 法优化训练后的BP神经网络的参数得到的。 本发 明采用BP神经网络引入遗传算法的方法， 解决抽 水蓄能电站选址困难， 未全面反映各站点技术经 济性的问题， 提高了抽水蓄能电站选点的工作效 率， 提供最优选 址。 权利要求书3页 说明书12页 附图3页 CN 115496335 A 2022.12.20 CN 115496335 A 1.基于GA ‑BP神经网络的抽水蓄能电站规划方法， 其特 征在于,包括： 获取抽水蓄能工程选址参数， 由所述抽水蓄能工程选址参数枚举多个抽水蓄能工程方 案； 将每个抽水蓄能工程方案带入预先训练好的GA ‑BP神经网络得到所述抽水蓄能工程方 案的成本； 将所述抽水蓄能工程成本最低的抽水蓄能工程方案作为所述抽水蓄能电站的规划方 案； 其中， 所述训练好的GA ‑BP神经网络是基于历史抽水蓄能工程方案作为输入、 所述历史 抽水蓄能工程的成本作为输出对BP神经网络进 行训练， 并基于遗传算法优化训练后的BP神 经网络的参数 得到的； 所述抽水蓄能工程成本包括工程总成本和单位功率成本 。 2.如权利要求1所述的方法， 其特 征在于， 所述GA ‑BP神经网络的训练包括： 获取历史抽水蓄能工程方案和历史抽水蓄能工程的成本； 由所述历史抽水蓄能工程方案和所述历史抽水蓄能工程的成本构建样本集； 将所述样本集按照设定比例划分为训练集和 测试集； 由所述训练集中的历史抽水蓄能工程方案作为BP神经网络的输入， 所述历史抽水蓄能 工程的成本作为输出对所述BP神经网络进行训练， 得到初步训练好的BP神经网络； 采用遗传算法结合测试集对所述初步训练好的BP神经网络的参数进行优化， 得到训练 好的GA‑BP神经网络 。 3.如权利要求2所述的方法， 其特征在于， 所述采用遗传算法结合测试集对所述初步训 练好的BP神经网络的参数进行优化， 得到训练好的GA ‑BP神经网络,包括： 对所述初步训练好的BP神经网络的参数通过计算个体适应度、 选择操作和个体交叉操 作得到BP神经网络的最优参数； 将测试集中的历史抽水蓄能工程方案输入最优参数的所述BP神经网络中， 得到抽水蓄 能工程的成本预测值， 分别计算所述抽水蓄能工程的成本预测值与测试集中的历史抽水蓄 能工程的成本之间的皮尔逊相关系数、 均方根 误差和平均绝对百分比误差； 若所述皮尔逊相关系数大于设定的皮尔逊相关系数值、 均 方根误差小于设定的均 方根 值、 平均绝对百分比误差小于设定的平均绝对百分比值， 则得到训练好的GA ‑BP神经网络， 否则， 调整所述BP神经网络的最优参数直至满足设定值的范围； 将满足设定值范围时对应 的BP神经网络的最优参数作为训练好的GA ‑BP神经网络的参数。 4.如权利要求3所述的方法， 其特征在于， 所述对所述初步训练好的BP神经网络的参数 通过计算个 体适应度、 选择操作和个 体交叉操作得到BP神经网络的最优参数包括： 群体初始化； 通过适应度函数计算出 各染色体的适应度； 基于所述各染色体的适应度采用转盘赌法淘汰适应值低的染色体； 对个体进行交叉操作、 变异操作后得到新一代染色体， 基于适应度函数计算新一代染 色体的适应值， 同时更新种群， 对适应值高的染色体继续进 行交叉变异操作， 直到达到 设定 的最大迭代次数， 得到最优适应度值个 体； 将所述最优适应度值个 体作为BP神经网络的最优参数。权　利　要　求　书 1/3 页 2 CN 115496335 A 25.如权利要求1所述的方法， 其特 征在于， 所述抽水蓄能工程方案包括： 地理位置、 总装机规模、 机组数量、 上 下水库水头高差 。 6.基于GA ‑BP神经网络的抽水蓄能电站规划系统， 其特 征在于， 包括： 方案列举模块， 用于获取抽水蓄能工程选址参数， 由所述抽水蓄能工程选址参数枚举 多个抽水蓄能工程方案； 获取成本模块， 用于将每个抽水蓄能工程方案带入预先训练好的GA ‑BP神经网络得到 所述抽水蓄能工程方案的成本； 方案选取模块， 用于将所述抽水蓄能工程成本最低的抽水蓄能工程方案作为所述抽水 蓄能电站的规划方案； 其中， 所述训练好的GA ‑BP神经网络是基于历史抽水蓄能工程方案作为输入、 所述历史 抽水蓄能工程的成本作为输出对BP神经网络进 行训练， 并基于遗传算法优化训练后的BP神 经网络的参数 得到的； 所述抽水蓄能工程成本包括工程总成本和单位功率成本 。 7.如权利要求6所述的系统， 其特 征在于， 所述还 包括GA‑BP神经网络的训练模块； GA‑BP神经网络的训练模块具体用于： 获取历史抽水蓄能工程方案和历史抽水蓄能工程的成本； 由所述历史抽水蓄能工程方案和所述历史抽水蓄能工程的成本构建样本集； 将所述样本集按照设定比例划分为训练集和 测试集； 由所述训练集中的历史抽水蓄能工程方案作为BP神经网络的输入， 所述历史抽水蓄能 工程的成本作为输出对所述BP神经网络进行训练， 得到初步训练好的BP神经网络； 采用遗传算法结合测试集对所述初步训练好的BP神经网络的参数进行优化， 得到训练 好的GA‑BP神经网络 。 8.如权利要求7 所述的系统， 其特 征在于， 所述还 包括优化模块： 优化模块具体用于： 最优参数获取子模块， 用于对所述初步训练好的BP神经网络的参数通过计算个体适应 度、 选择操作和个 体交叉操作得到BP神经网络的最优参数； 计算误差子模块， 用于将测试集中的历史抽水蓄能工程方案输入最优参数的所述BP神 经网络中， 得到抽水蓄能工程的成本预测值， 分别计算所述抽水蓄能工程的成本预测值与 测试集中的历史抽水蓄能工程的成本之 间的皮尔逊相关系数、 均方根误差和平均绝对百分 比误差； 比较子模块， 用于若所述皮尔逊相关系数大于设定的皮尔逊相关系数值、 均方根误差 小于设定的均方根值、 平均绝对百分比误差小于设定的平均绝对百分比值， 则得到训练好 的GA‑BP神经网络， 否则， 调整所述BP神经网络的最优参数直至满足设定值的范围； 将满足 设定值范围时对应的BP神经网络的最优参数作为训练好的GA ‑BP神经网络的参数。 9.如权利要求8所述的系统， 其特 征在于， 所述 最优参数获取子模块具体用于： 群体初始化； 通过适应度函数计算出 各染色体的适应度； 基于所述各染色体的适应度采用转盘赌法淘汰适应值低的染色体； 对个体进行交叉操作、 变异操作后得到新一代染色体， 基于适应度函数计算新一代染权　利　要　求　书 2/3 页 3 CN 115496335 A 3