1.基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于，包括以下步骤：步骤1：使用针对高维机组组合训练样本矩阵的样本编码技术对机组组合历史决策数据的维度进行压缩；

步骤2：在GRU门限循环网络的基础上引入Seq2Seq技术，建立面向机组组合决策的Encoder‑Decoder复合神经网络架构；

步骤3：在此基础上构建机组组合深度学习模型，并通过历史数据训练建立系统日负荷与机组启停方案之间的映射模型；

步骤4：利用生成的映射模型进行机组组合决策，求得机组启停状态和最优潮流模型下的机组出力，将得到的机组组合决策结果作为新的历史样本数据，对深度学习模型进行训练，从而实现对模型的持续修正；

在步骤2中，基于GRU门限循环网络和Seq2Seq技术构建Encoder‑Decoder复合神经网络架构，具体采用以下步骤：

1)将一个历史映射样本(PL，UG)代入Encoder‑Decoder架构中，其中，PL为日负荷数据，UG为对应的机组启停方案，Encoder架构将PL分步读入，其在t时刻的GRU神经元隐藏层状态由t‑1时刻GRU神经元隐藏层状态和t时刻日负荷共同决定，具体公式为：ht＝f(ht‑1,PLt) (1)

式中：ht表示t时刻GRU神经元隐藏层状态；ht‑1表示t‑1时刻GRU神经元隐藏层状态；PLt表示t时刻输入的日负荷；

2)在Encoder架构中，t时刻GRU神经元隐藏层状态ht与Encoder架构中间状态相同，在Decoder架构中，使k时刻GRU神经元隐藏层状态hk与Decoder架构中间状态相同，具体公式为：式中：Ct表示t时刻Encoder架构中间状态；Ck表示k时刻Encoder架构中间状态；

3)Encoder架构在T时刻输出的中间状态为输入序列的中间状态C，取值为CT，表示输入序列完整信息，具体如下式：C＝CT (3)

4)将序列中间状态C输入Decoder架构，其中，Decoder中间状态初始值C0与序列中间状态C相同，将C0输入后可以得到k时刻GRU神经元隐藏层状态hk，其由k‑1时刻GRU神经元隐藏层状态以及k时刻GRU神经元输入共同决定，具体公式为：hk＝f(hk‑1,xk) (4)

式中：hk‑1表示k‑1时刻GRU神经元隐藏层状态；xk表示k时刻GRU神经元输入；

5)k‑1时刻Decoder架构输出将作为k时刻GRU神经元输入，具体如下式：xk＝UGk‑1 (5)

式中：UGk‑1表示k‑1时刻Decoder架构输出；

6)将式(5)代入式(4)，同时，Decoder架构执行与Encoder相反的操作，把输入的序列中间状态C按照时间步进行分步解码，形成最终的输出序列，其中k‑1时刻Decoder架构中间状态Ck‑1与hk‑1相等，k时刻Decoder架构输出由hk‑1、UGk‑1以及hk共同决定，具体描述如下：式中：UGk表示k时刻Decoder架构输出；p表示概率；g表示softmax函数；F表示转换函数；

7)以k时刻GRU神经元输入xk和k‑1时刻Decoder架构中间状态Ck‑1为变量构建GRU神经元中更新门zk、重置门rk以及待定输出值 三者具体模型为：式中：Wr表示xk和rk之间的权重系数；Wz表示xk和zk之间的权重系数；Wh表示xk和 之间的权重系数；α表示神经网络中激活函数sigmoid；

8)将zk、rk以及 三者汇总后可以得到GRU神经元隐藏层输出hk，具体公式为：式中：hk‑1表示k‑1时刻GRU神经元隐藏层输出；

经过以上步骤构建Encoder‑Decoder复合神经网络架构。

2.根据权利要求1所述的基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：在步骤1中，对高维机组组合训练样本矩阵进行处理时，具体的，对每一个时段的机组组合启停状态向量进行编码，使启停状态完全相同的向量编码也相同。

3.根据权利要求2所述的基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：将每个时段的机组组合启停状态向量转化为一个与之对应的十进制编码，从而对样本矩阵的维度进行压缩。

4.根据权利要求1所述的基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：在步骤3中，将一个典型日的日负荷数据PL及其对应的机组启停方案UG作为一个历史映射样本，在一个历史映射样本中，机组启停方案UG与日负荷PL的关系用UG＝F(p(PL))描述；其中，p表示日负荷和对应机组启停方案之间的概率，F表示转换函数。

5.根据权利要求4所述的基于GRU和Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：积累历史数据，对基于Seq2Seq技术和GRU门限循环网络的深度学习模型进行离线训练，从而得到可以描述UG与PL之间概率关系的映射模型。