1.基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于，它包括以下步骤：

1)梳理机组组合模型输入输出序列的类型与结构，形成机组组合弹性多序列映射型样本；

2)以E‑Seq2Seq技术为基础构建用于学习的机组组合映射样本的深度学习模型；

3)对机组组合深度学习模型进行训练并用于机组组合决策。

2.根据权利要求1所述的基于E‑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，在样本生成和深度学习模型构建时对发电机组进行编号，并考虑规划周期内可能出现的最大发电机组数量，同时将影响输入输出序列维度的机组新建、退役、检修计划纳入到输入序列之中。

3.根据权利要求1或2所述的基于E‑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，根据系统内可能出现的最大输入、输出序列类型数确定最大的输入输出类型编号，对每一类输入输出序列赋予一个唯一编号，如果当前阶段某一输入、输出序列类型尚未出现，则对该类型序列置零处理。

4.根据权利要求1所述的基于E‑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2)和3)中，该深度学习模型是基于由E‑Seq2Seq技术构建的，能够学习到机组组合多类型、多维度动态变化样本间的映射关系，通过海量机组组合历史数据的训练，最终形成机组组合映射模型，利用训练好的映射模型进行机组组合决策。

5.根据权利要求1所述的基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：该深度学习模型由多个结构相同的单层神经网络构成，每个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成，Encoder模型组是由多个Encoder模型构成，每一个类型的输入序列都有一个Encoder模型与之对应，一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入，然后得到与之对应的输入中间状态。

6.根据权利要求5所述的基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：Encoder模型的功能是对相应类型的输入序列进行编码，并得到相应类型的输入中间状态向量，每类输入序列由多个输入行向量构成，以第i类输入序列中第k个向量编码得到的输入中间状态向量 为例，其数学模型为：式中：T表示序列的总时间步； 表示编码第i类输入序列中的第k个向量得到的输入中间状态向量； 表示第i类输入序列中的第k个向量在t时刻输入GRU的输入数据；f1表示将第i类输入序列的第k个向量转化为输入中间状态向量 的过程函数。

7.根据权利要求5所述的基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法，其Ei Di

特征在于：全连接拓展层包括两层中间状态，分别为输入中间状态C 和输出中间状态C ，Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态，Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态，输入中间状态与输出中间状态之间构成一个全连接神经网络，从而实现Encoder‑Decoder模型组间的信息传递。

8.根据权利要求5至7其中之一所述的基于E‑Seq2Seq技术的数据驱动型机组组合智能决策方法，其特征在于：Decoder模型组是由多个Decoder模型构成，每个Decoder模型执行与Encoder模型相反的操作，每一个类型的输出序列都有一个Decoder模型与之对应，一个Decoder模型将其对应类型的输出中间状态分步读出，形成最终的输出序列，Decoder模型的功能是根据中间状态向量解码出相应类型的输出序列，解码第j类输出序列的数学模型为：式中： 表示第i类输出序列中的第l个向量在t时刻输入GRU数据； 表示Decoder模型在t时刻的输出数据；f2表示将第j个Decoder模型的第l个向量转化为该模型的输出的过程函数。

9.一种全连接拓展层，其特征在于，全连接拓展层与E‑Seq2Seq技术中的Encoder模型组、Decoder模型组构成神经网络，全连接拓展层包括两层中间状态，分别为输入中间状态Ei DiC 和输出中间状态C ，Encoder模型组中的每一个Encoder模型都有一个与之对应的输入中间状态，Decoder模型组中的每一个Decoder模型都有一个与之对应的输出中间状态，输入中间状态与输出中间状态之间构成一个全连接神经网络，从而实现Encoder‑Decoder模型组间的信息传递。

10.一种以GRU为神经元提出的基于E‑Seq2Seq技术的深度学习模型，其特征在于：该深度学习模型由多个结构相同的单层神经网络构成，每个单层神经网络由一个Encoder模型组、全连接拓展层、Decoder模型组构成，Encoder模型组是由多个Encoder模型构成，每一个类型的输入序列都有一个Encoder模型与之对应，一个Encoder模型将其对应类型的输入序列按照时间步骤分步读入，然后得到与之对应的输入中间状态。