[发明专利]一种短期机组组合计算方法、系统、介质及设备

说明书

本发明公开了一种短期机组组合计算方法、系统、介质及设备，利用离线训练的卷积神经网络和全连接网络对机组启停时序信息进行特征提取和规则学习；在线计算中，采用整数变量削减策略，基于训练好的卷积神经网络对机组启停方案进行了调整，大大降低了后续安全约束机组组合计算的难度；本发明将人工智能与优化方法相结合，不仅提高了计算速度，而且保证了求解的可行性。基于改进的XJTU‑ROTS2017测试系统和省级实际系统的实例研究表明，本发明方法在保证求解准确度和精度的条件下显著提高了计算速度。

技术领域

本发明属于电力调度领域内机组组合技术领域，具体涉及一种短期机组组合计算方法、系统、介质及设备。

背景技术

智能电网是电力系统发展的必然趋势。随着电力系统的快速发展，作为电力调度基础的安全约束机组组合(Security-Constrained Unit Commitment，SCUC)问题将面临诸多挑战。同时，随着人工智能技术在电力系统中的广泛应用，人工智能技术与安全约束机组组合问题之间的关系将更加密切，也将越来越受到人们的重视。

在能量快速变化的背景下，SCUC问题面临着无尽的理论挑战，其求解是一个典型的NP难问题，效率相对较低。研究SCUC的加速求解算法具有重要的理论意义。现行的加速求解方法有针对风电提出的全并行随机优化SCUC方法，也有改变数学模型，通过约简变量或者整合机组加速大规模SCUC求解。近年来，人工智能蓬勃发展，在电力系统中得到了广泛应用。深度学习技术在解决输电线路故障判断、输电线路覆冰识别和电力设备缺陷文本分类等电力系统实际问题方面取得了良好的效果。作为配电和调度的基础，安全约束机组组合(SCUC)将面临许多挑战。传统的物理模型驱动的机组组合决策方法可能无法满足电力系统快速发展的实际需要，因此国内外学者逐渐开始探索使用人工智能解决SCUC问题。然而，在实际应用中，复杂的网络结构和庞大的单元数对神经网络的训练提出了很大的挑战，人工智能方法的准确性和安全性无法保证，急需优化改进。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种短期机组组合计算方法、系统、介质及设备，用于解决大规模SCUC模型求解时间长，求解复杂度高的技术问题。

本发明采用以下技术方案：

一种短期机组组合计算方法，包括以下步骤：

S1、获取电力系统基本技术数据，针对短期SCUC模型设立最小化电力系统的经济运行成本的目标函数；然后关注各个机组中整数变量的缩减，对机组的相关参数添加合理的约束，构建一个考虑燃煤发电机、水电、可再生能源和储能系统的短期SCUC模型；

S2、设计基于深度学习的SCUC计算方法，向步骤S1构建的短期SCUC模型中添加线性松弛约束，通过计算线性问题获得松弛单元，然后通过CNN网络分析每个松弛单元的松弛单元状态曲线，获得每个松弛单元的状态概率；然后通过全连接神经网络，修改原启停方案，进行机组组合计算得到最终方案并输出。

具体的，步骤S1中，电力系统基本技术数据包括电力系统中各类型电源的技术参数、可再生能源信息、电网网架参数以及负荷需求参数。

具体的，步骤S1中，短期SCUC模型的目标函数为：

其中，Ω_TG/Ω_NEG为燃煤机组/可再生能源机组的集合；为燃煤机组的燃料成本\启动成本\停机成本；为燃煤机组是否启动/关闭的指示变量；为可再生能源的预测产量\实际产量；β^NE为可再生能源废弃资源的单位成本；T为运行模拟时间刻度中包含的小时数。

进一步的，短期SCUC模型的约束条件具体为：

火电机组的状态逻辑约束：