考虑安全约束机组组合优化加速方法、设备及存储介质

1.本发明属于电力系统考虑安全约束的机组组合优化加速算法领域，具体涉及考虑安全约束机组组合优化加速方法、设备及存储介质。

背景技术：

2.随着现在科技的不断发展，考虑安全约束的机组组合(scuc)问题是电力系统中一个经典的基础研究内容，也是电力系统运行中的一项重要工作；然而，运筹学算法可能会遇到模型复杂、迭代次数巨大、稳定性不足和不准确等问题，考虑到大规模实时调度，收敛时间往往难以满足uc问题的要求，同时，随着未来电力系统的不断发展，下一代scuc决策工具应有效整合各种复杂功能，包括积极参与能源和辅助服务市场的需求响应，通过各种储能选项，提高对间歇性和挥发性可再生能源的适应能力，为了满足这些需求，scuc的建模和求解将变得越来越复杂，不足为奇的是，传统的加速方法将日益加剧其算法复杂度，因此，数据驱动和机器学习在人工智能技术中得到了巧妙的应用，本发明的目的就是用借助人工智能算法，提高大规模机组组合决策的计算能力和效率。

技术实现要素：

3.针对现有技术的不足，本发明的目的在于提供考虑安全约束机组组合优化加速方法、设备及存储介质。
4.本发明的目的可以通过以下技术方案实现：考虑安全约束机组组合优化加速方法，方法包括以下步骤：
5.在给定具有已知拓扑和线路参数的电网系统基础之上，调用已知拓扑和线路参数的电网系统的区域中的用户历史负荷信息，通过预测和优化机组在一天或一周内的启停状态和日前实时发电调度处理，从而建立考虑安全约束的机组组合scuc模型，以scuc模型建立scuc场景；
6.根据建立的scuc场景的数据特征，将已知电网系统调度信息整合的负载波动数据作为收集的训练数据特征来构造加速策略的输入参数；
7.在输入参数的基础上，通过图神经网络多元分类器，用通用的求解器求解不同参数下scuc问题的milp混合整数线性规划模型，学习和识别两个数据标签0-1变量和紧约束，并在数据特征和数据标签之间建立映射，形成加速策略；
8.训练加速策略，根据输入参数识别紧约束，并通过加速策略输出二进制变量的值，通过图卷积神经网络gcn提取scuc中潜在的数据特征并做分类，应用加速策略类将scuc问题简化为仅具有紧约束的线性规划问题，通过探索和剪枝方式优化加速策略训练多元分类器gcn，得到scuc模型中二进制变量和紧约束的训练结果，进而通过kkt条件求解连续变量的取值进行scuc的大规模快速决策；
9.评估所得的训练结果，基于非线性规划优化理论的karush-kuhn-tucker kkt条件进行最优解计算，并判断最优解是否可行，从而修正得到求解方案；
10.对构建的加速策略进行有效性验证和结果分析，着重分析加速策略的计算效率和准确度。
11.优选地，所述建立scuc场景的过程包括以下步骤：
12.建立成本最优的目标函数：
[0013][0014]
其中，fi是发电机组i的发电成本函数，p
it
是发电机i在t时刻的出力，i
it
是发电机i在t时刻的开停机状态，αi是启动和设备维护综合成本，su
it
是发电机i在t时刻的开机成本，sd
it
是发电机i在t时刻的停机成本；
[0015]
设置scuc模型的约束条件：
[0016][0017][0018][0019][0020][0021][0022][0023][0024][0025][0026][0027]
其中d
it
是节点i在t时刻的负荷，sr
it
是发电机i在t时刻的旋转备用需求，or
it
是发电机i在t时刻的运行备用需求，ur
it
是发电机i在t时刻的运行上爬坡系数，dr
it
是发电机i在t时刻的运行下爬坡系，up
it
是t时刻下的开机机组i，dp
it
是t时刻下的关停机组i，x
on/off,it
是发电机i在t时刻下的最小开停机时间，t
on/off,i
是发电机i的最小开停机时间，pl
t
是t时刻下的线路潮流矩阵，θ
t
是t时刻下的节点电压相角矩阵，v
t
是t时刻下的节点电压幅值矩阵，v
min/max
表示节点电压的最大值和最小值，pl
max
表示线路最大潮流容量限制，f为(1)中表示的目标函数。
[0028]
优选地，所述scuc的约束包括括基本机组组合的约束和传输网络安全约束；设置scuc模型的约束条件中出现的变量包括系统状态和控制变量；线路潮流、母线电压幅值和母线电压角属于系统状态变量集，通过调整控制变量，即每个发电机组的实际功率输出，来
优化目标值，等式(2)表示系统功率平衡，包括一般uc约束以及系统旋转(3)和运行(4)备用要求、实际发电容量限制(5)、最小开启(6)和关闭(7)时间限制、发电机组爬升(8)和下降(9)限制；考虑到传输网络安全约束，等式(10)表示传输流，而不等式(11)和(12)强制执行传输流限制和总线电压限制。
[0029]
优选地，根据建立的scuc场景的数据特征，提取、发送信号并通过scuc模型的模拟计算结果收集训练数据包括以下步骤：
[0030]
选择scuc的数据特征
[0031]
在scuc问题中，负荷的变化趋势是重复的且很小，分析表明，系统网络的拓扑和线路参数是预先确定的，不易更改，将系统网络的拓扑和线路参数视为已知的固定值，而用户的负荷需求视为自变量和可变输入参数，因此，选择用户的负荷需求构成scuc问题的数据特征标签，引入参数优化公式来建立监督学习任务；
[0032]
对scuc模型的数据特征进行抽象和参数化：
[0033]
scuc的参数化公式如下所示：
[0034][0035]
其中
[0036]fi
(b,x)＝wix(j|x(j)＝i
i,t
)p(j|p(j)＝load
i,t
)
ꢀꢀꢀ
(14)
[0037]
约束表达式为：
[0038]gk
(x,p)≤0,k＝1,...,m
ꢀꢀꢀ
(15)
[0039]
其中，x是scuc中所有整数和连续决策变量的向量，p是负荷需求的串联向量p＝{systemload}，gk(x,p)表示scuc的第k个约束，m是约束数。
[0040]
优选地，根据scuc的参数化公式，通过给定输入参数p来确定和求解scuc问题。
[0041]
优选地，所述学习和识别两个数据标签的过程包括：
[0042]
在输入参数的基础上，通过通用求解器gurobi计算收集训练数据，形成网络学习记忆，收集n个输入参数样本pn＝{p1,...,pn}，通过gcn加速策略，输出策略s(pi)对应于带有参数pi∈pn的参数化milp问题是二元变量的最优决策值和紧约束指数，
[0043][0044]
优化0-1变量
[0045]
scuc问题的一种解决方案是到机组的最佳启动和停止状态，然后解决日前和实时发电调度问题，因此，只需获得每个发电机i变量的0-1状态，因此，令二进制变量的最佳值表示为
[0046]
x
*
(pi)＝(i
*
)
ꢀꢀꢀ
(17)
[0047]
寻紧约束
[0048]
定义最优性紧约束为另一个加速指标，这意味着一些不等式约束取到等号以实现约束的最优性，这种不等式约束被识别为紧约束，并保留在加速策略中；
[0049][0050]
其中x*(pi)是参数pi下的最优解，紧约束的数量小于约束总数，代表原始scuc问题中存在大量冗余约束，然后通过学习策略忽略大量冗余约束，从而实现加速策略，用
于gcn学习的scuc优化问题的加速模型如下：
[0051][0052]
其中x
0-1
表示二进制变量。
[0053]
优选地，所述训练加速策略的过程包括以下步骤：
[0054]
探索和删减加速分支
[0055]
构建由样本参数到加速策略的多类分类问题，样本集中包含了许多负载场景下对应的最优加速策略，为了选择某一样本参数下的最优加速策略，scuc问题的加速策略识别被视为监督学习中的多类分类任务，此多类分类任务的目的是在给定样本参数pi的情况下预测相应的加速策略；
[0056]
设在给定n个独立样本pn＝{p1,...,pn}的情况下到m个唯一策略s(pn)＝{s1,...,sm}，则在连续采样数据时会出现新的策略，因此，使用良好的图灵估计器来评估发现不可见策略的概率，遇到对应于不可见策略的参数p
n+1
的概率满足以下表达式，置信度为1-β:
[0057][0058]
其中g＝n1/n，n1对应的不同策略数只出现一次，且系数为
[0059]
使用多类分类器学习加速策略
[0060]
基于对参数scuc问题的分析，分类任务中使用的输入和输出参数如下：
[0061]
p＝{systemload}
ꢀꢀꢀ
(21)
[0062]
s(p)＝{value of binary variables,index of tight constraints}
ꢀꢀꢀ
(22)
[0063]
在分类过程中，si是热代码用来为输入参数pi重写策略类的标签；图神经网络和决策树集成被结合到多类分类器中；
[0064]
图卷积神经网络学习策略
[0065]
gcn模型的算法功能由l层组成，定义如下：
[0066][0067]
其中si是预测策略类，h
l
是神经网络中的第l个隐藏层，由于图神经网络中传递的数据要以图的结构表示，首先要进行从参数pi到节点特征xi的映射，用h0表示：
[0068]
xi＝h0(pi)
ꢀꢀꢀ
(24)
[0069]
各节点的特征xi包含2个维度，分别表示节点负载和故障指示符，若节点相邻线路故障，则故障指示符为1，否则为0；每个隐藏层的组成元素为
[0070]yl
＝h
l
(y
l-1
,a)＝σ
l
(ay
l-1wl
+b
l
),l＝1,...,l
ꢀꢀꢀ
(25)
[0071]
其中y
l
是通过层操作得到的数据，a是电力网络的邻接矩阵，w
l
和b
l
是网络权值参数，输入层定义为l＝1，输出层定义为l＝l，于是y0＝xi,y
l
＝si，每层使用参数w
l
和b
l
执行仿射变换；
[0072]
此外，激活函数σ
l
被集成到非线性模型中，引入了激活函数relu，即线性整流函
数，如下所示：
[0073]
σ
l
(x)＝max(x,0),l＝1,...,l-1
ꢀꢀꢀ
(26)
[0074]
其中，max运算符按位执行，relu算子表现出更高的性能，能避免通常的sigmoid函数中出现的消失梯度问题，输出层设置为softmax函数，提供加速策略之间的标准化排序，并评估它们成为正确策略的可能性，softmax函数由于平滑性和概率解释性，在多分类问题中非常常见，加速策略的选择层，即σ
l
表示为
[0075][0076]
在gcn网络的训练过程中，应用了交叉熵损失函数，
[0077][0078]
训练过程采用随机梯度下降法获得损失函数导数并基于反向传播规则训练。
[0079]
优选地，所述评估所得的训练结果的过程包括：
[0080]
通过gcn分类器的加速策略将milp的scuc问题转化为线性规划lp的scuc问题，接着利用kkt条件计算转化后的scuc模型的最优解，若加速策略下的求解结果可行，则输出作为scuc问题的解；若加速策略求解遇到不可行问题，则设置预测数据进行预求解，基于传统求解器gurobi计算从而再输出大规模scuc问题的优化结果。
[0081]
本发明的有益效果：
[0082]
本发明采用更简洁的采样方法实现并进一步创新了gcn加速框架的实际应用，满足了工程应用的要求，虽然也有一些新的提法能够加速scuc，但预测精度、特征识别复杂度和加速倍增器可以开发和改进。本发明介绍了一种图神经网络多元分类器，用于从数据中学习策略。在执行日前scuc调度和启停预测时，经过训练的多元分类器识别并收集二进制变量值和紧约束，以确保根据提取的特征负荷参数进行机组组合安全决策。利用relu激活函数进一步增强图神经网络的表达能力。因此，本发明将milp的scuc问题转化为计算量较小的lp问题。在此过程中，消除了比现有方法更多的网络约束，识别了紧约束，从而节省了更高的计算量。gcn在复杂性和预测精度之间提供了良好的平衡。同时，它可以通过现有的理论限制训练集的规模。因此，在不浪费大量数据的情况下，可以更快、更准确地获取学习结果，进而应用于scuc的大规模快速决策。
附图说明
[0083]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0084]
图1为本发明流程图；
[0085]
图2为本发明实施例ieee 30节点系统单线图；
[0086]
图3为本发明实施例30节点系统中gcn给出的叠加最优发电机输出示意图；
[0087]
图4为本发明实施例30节点系统中由gurobi给出的叠加最优发电机输出示意图；
[0088]
图5为本发明实施例gcn在30节点系统中的收敛曲线图；
[0089]
图6为本发明实施例ieee 118节点系统单线图；
[0090]
图7为本发明实施例118节点系统中gcn给出的叠加最优发电机输出示意图；
[0091]
图8为本发明实施例118节点系统中由gurobi给出的叠加最优发电机输出示意图。
具体实施方式
[0092]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0093]
如图1-8所示，考虑安全约束机组组合优化加速方法，方法包括以下步骤：
[0094]
步骤一：根据机组组合问题的已有理论建立scuc问题下的成本最优目标函数，在此基础上设置物理约束和运行约束，构造考虑安全问题下的机组组合模型场景。具体方法如下：
[0095]
建立最小化发电机组成本的目标函数：
[0096][0097]
其中，fi是发电机组i的发电成本函数，p
it
是发电机i在t时刻的出力，i
it
是发电机i在t时刻的开停机状态，αi是启动和设备维护综合成本，su
it
是发电机i在t时刻的开机成本，sd
it
是发电机i在t时刻的停机成本
[0098]
设置scuc模型的约束条件：
[0099][0100][0101][0102][0103][0104][0105][0106][0107][0108]
[0109][0110]
其中d
it
是节点i在t时刻的负荷，sr
it
是发电机i在t时刻的旋转备用需求，or
it
是发电机i在t时刻的运行备用需求，ur
it
是发电机i在t时刻的运行上爬坡系数，dr
it
是发电机i在t时刻的运行下爬坡系，up
it
是t时刻下的开机机组i，dp
it
是t时刻下的关停机组i，x
on/off,it
是发电机i在t时刻下的最小开停机时间，t
on/off,i
是发电机i的最小开停机时间，pl
t
是t时刻下的线路潮流矩阵，θ
t
是t时刻下的节点电压相角矩阵，v
t
是t时刻下的节点电压幅值矩阵，v
min/max
表示节点电压的最大值和最小值，pl
max
表示线路最大潮流容量限制。f为(29)中表示的目标函数。
[0111]
scuc约束包括基本机组组合的约束和传输网络安全约束。scuc公式中传输网络安全约束中出现的变量包括系统状态和控制变量。线路潮流、母线电压幅值和母线电压角属于系统状态变量集。通过调整控制变量，即每个发电机组的实际功率输出，可以优化目标值。等式(30)表示系统功率平衡，包括一般uc约束以及系统旋转(31)和运行(32)备用要求、实际发电容量限制(33)、最小开启(34)和关闭(35)时间限制、发电机组爬升(36)和下降(37)限制。考虑到传输网络安全约束，等式(38)描述了传输流，而不等式(39)和(40)强制执行传输流限制和总线电压限制。
[0112]
步骤二：根据建立的scuc场景的数据特征，选择参数化的模型特征，提取、发送信号并收集训练数据的过程包括以下步骤：
[0113]
选择scuc的数据特征
[0114]
在scuc问题中，负荷的变化趋势是重复的且很小，分析表明，系统网络的拓扑和线路参数是预先确定的，不易更改，将系统网络的拓扑和线路参数视为已知的固定值，而用户的负荷需求视为自变量和可变输入参数，因此，选择用户的负荷需求构成scuc问题的数据特征标签，引入如下参数优化公式来建立监督学习任务；
[0115]
对scuc模型的数据特征进行抽象和参数化
[0116]
scuc的参数化公式如下所示：
[0117][0118]
其中
[0119]fi
(b,x)＝wix(j|x(j)＝i
i,t
)p(j|p(j)＝load
i,t
)
ꢀꢀꢀ
(42)
[0120]
约束表达式为：
[0121]gk
(x,p)≤0,k＝1,...,m
ꢀꢀꢀ
(43)
[0122]
其中，x是scuc中所有整数和连续决策变量的向量，p是负荷需求的串联向量p＝{systemload}，gk(x,p)表示scuc的第k个约束，m是约束数。
[0123]
根据scuc的参数化公式模型，通过给定输入参数p来确定和求解scuc问题。
[0124]
步骤三：根据scuc的参数化数据特征，利用一种图神经网络多元分类器，学习和识别两个数据标签，进而在特征和标签之间建立映射，形成加速策略的过程包括：
[0125]
在输入参数的基础上，通过通用求解器gurobi计算收集训练数据，形成网络学习记忆，以备解决不同情况下的scuc问题。本发明提出，若在历史数据训练下收集n个输入参数样本pn＝{p1,...,pn}，通过gcn加速策略，输出策略s(pi)对应于带有参数pi∈pn的参数化milp问题是二元变量的最优决策值和紧约束指数，
[0126][0127]
优化0-1变量
[0128]
scuc问题的一种解决方案是到机组的最佳启动和停止状态，然后解决日前和实时发电调度问题，因此，只需获得每个发电机i变量的0-1状态，因此，令二进制变量的最佳值表示为
[0129]
x
*
(pi)＝(i
*
)
ꢀꢀꢀ
(45)
[0130]
寻紧约束
[0131]
定义最优性紧约束为另一个加速指标，这意味着有些不等式约束可以取到等号以实现约束的最优性，这种不等式约束被识别为紧约束，并保留在加速策略中；
[0132][0133]
其中x*(pi)是参数pi下的最优解，紧约束的数量小于约束总数，代表原始scuc问题中存在大量冗余约束，然后通过学习策略忽略大量冗余约束，从而实现加速策略，用于gcn学习的scuc优化问题的加速模型如下：
[0134][0135]
其中x
0-1
表示二进制变量。
[0136]
步骤四：训练加速策略，即根据输入参数识别紧约束，并通过加速策略输出二进制变量的值，gcn的加速分类将scuc问题简化为仅具有紧约束的线性规划问题，通过探索和剪枝等方式优化加速策略，训练多元分类器gcn根据提取的特征负荷参数进行scuc的大规模快速决策的过程包括：
[0137]
探索和删减加速分支
[0138]
类(class)是一种自定义的引用数据类型，也称类类型。每个类包含数据说明和一组操作数据或传递消息的函数。类的实例称为对象。scuc问题的加速策略识别可以被视为监督学习中的多类分类任务，多类分类任务的目的是在给定样本参数pi的情况下预测相应的加速策略类；
[0139]
设在给定n个独立样本pn＝{p1,...,pn}的情况下到m个唯一策略s(pn)＝{s1,...,sm}，则在连续采样数据时会出现新的策略，因此，使用良好的图灵估计器来评估发现不可见策略的概率，遇到对应于不可见策略的参数p
n+1
的概率满足以下表达式，置信度为1-β:
[0140][0141]
其中g＝n1/n，n1对应的不同策略数只出现一次，且系数为
[0142]
使用多类分类器学习加速策略
[0143]
基于对参数scuc问题的分析，分类任务中使用的输入和输出参数如下：
[0144]
p＝{systemload}
ꢀꢀꢀ
(49)
[0145]
s(p)＝{value of binary variables,index of tight constraints}
ꢀꢀꢀ
(50)
[0146]
在分类过程中，si是热代码(hot code)用来为输入参数pi重写策略类的标签；图神经网络和决策树集成被结合到多类分类器中；
[0147]
图卷积神经网络学习策略
[0148]
gcn模型的算法功能由l层组成，定义如下：
[0149][0150]
其中si是预测策略类，h
l
是神经网络中的第l个隐藏层，由于图神经网络中传递的数据要以图的结构表示，首先要进行从参数pi到节点特征xi的映射，用h0表示：
[0151]
xi＝h0(pi)
ꢀꢀꢀ
(52)
[0152]
各节点的特征xi包含2个维度，分别表示节点负载和故障指示符，若节点相邻线路故障，则故障指示符为1，否则为0，每个隐藏层的组成元素为
[0153]yl
＝h
l
(y
l-1
,a)＝σ
l
(ay
l-1wl
+b
l
),l＝1,...,l
ꢀꢀꢀ
(53)
[0154]
其中y
l
是通过层操作得到的数据，a是电力网络的邻接矩阵，w
l
和b
l
是网络权值参数，输入层定义为l＝1，输出层定义为l＝l，于是y0＝xi,y
l
＝si，每层使用参数w
l
和b
l
执行仿射变换；
[0155]
此外，激活函数σ
l
被集成到非线性模型中，引入了激活函数relu，即线性整流函数，如下所示：
[0156]
σ
l
(x)＝max(x,0),l＝1,...,l-1
ꢀꢀꢀ
(54)
[0157]
其中，max运算符按位执行，relu算子表现出更高的性能，能避免通常的sigmoid函数中出现的消失梯度问题，输出层设置为softmax函数，提供加速策略之间的标准化排序，并评估它们成为正确策略的可能性，softmax函数由于平滑性和概率解释性，在多分类问题中非常常见，加速策略的选择层，即σ
l
表示为
[0158][0159]
在gcn网络的训练过程中，应用了交叉熵损失函数，
[0160][0161]
训练过程采用随机梯度下降法获得损失函数导数并基于反向传播规则训练。
[0162]
步骤五：对加速训练结果进行针对性测试，基于kkt条件进行最优解计算，并判断最优解是否可行，所述测试所得的训练结果的过程包括：
[0163]
通过gcn分类器的加速策略将milp的scuc问题转化为线性规划lp的scuc问题，接着利用kkt条件计算转化后的scuc模型的最优解，若加速策略下的求解结果可行，则输出作为scuc问题的解；若加速策略求解遇到不可行问题，则设置预测数据进行预求解，基于传统求解器gurobi计算从而再输出大规模scuc问题的优化结果。
[0164]
步骤六：对所构建的加速算法进行有效性验证和结果分析，在配备2.8ghz intel core i7-11700h cpu和16gb ram的笔记本电脑上进行仿真实验，对ieee 30节点和118节点系统进行算例仿真，分析其计算效率和准确度的过程包括：
[0165]
从正确性和计算效率方面比较gurobi和gcn给出的解，证明该模型的有效性，并对
ieee 30节点和118节点系统进行了仿真实验，这里的可变参数系统负荷数据是从2011年1月1日至202112月31日期间马萨诸塞州三个适用负荷区(sema、nema、wcma)的默认服务(包括住宅、商业和工业客户)的历史11年累积小时负荷中获取的，数据缩放在马萨诸塞州每天的负载数据中执行：
[0166][0167]
其中是测试系统中的规格化的第k小时负荷，是马萨诸塞州的第k小时负荷，是原始测试系统中的第k小时负荷，为了模拟机组的实际半小时行为，半小时的负荷数据用两个相邻整小时数据的平均值填充，gcn使用深度学习框架pytorch构建，网络超参数由optuna自动选择；
[0168]
ieee 30节点系统的仿真实验
[0169]
测试系统的拓扑结构如图1所示，gcn使用前10年的总计3653个负载数据样本进行训练，并使用过去1年的负载数据进行测试，图4描绘了用张力板记录的网络损耗的收敛过程，显示了平滑收敛，发电机的参数设置如表一所示，对应于milp模型中的系统参数；表2总结了gcn与gurobi(mipgap＝0.01)相比的性能，结果表明，平均计算速度提高了13倍，同时保持了较高的可行性，对于不可行的情况，选择预测解作为gurobi中mip启动的合理初始猜测，从而减少gurobi求解时间；
[0170]
表1.ieee 30节点系统的发电机参数
[0171][0172]
表2 gcn和gurobi在30节点系统中的解决方案比较
[0173][0174]
为了更好地说明gcn和gurobi的解结果之间的比较，图2和图3显示了典型日的叠加最优发电机输出，在这种情况下，两种解都是可行的，gcn解的目标值为55964796，而gurobi解的目标价值为55926228(mipgap＝0.001)，预测解的相对差距为0.07％，这表明它是一个接近最优解，从图中可以看出，这两种解决方案的主要区别在于第一单元的“开启”操作，gurobi解决方案在8:30开启，而gcn解决方案在7:30开启，这表明第一单元从7:30到8:30的运行成本略高于分配给其他发电机的功率带来的成本增量。
[0175]
(2)ieee 118节点系统的仿真实验
[0176]
118节点系统的网络拓扑如图5所示，从表三可以看出，与30节点系统相比，118节点系统中milp模型的变量和约束数量呈指数增长，此外，在如此大的系统中，gurobi的计算
效率很低，无法达到预定的mipgap，相比之下，提出的gcn加速约40倍，并达到可行的解决方案；在图6和图7所示的典型情况下，也给出了两种方法的叠加最优发电机输出，gcn解的目标值为12915143，而gurobi解的目标价值为12894330(mipgap＝0.001)，预测解的相对差距为0.16％，机组运行状态的变化之间几乎没有差异。
[0177]
表3 gcn和gurobi在30节点系统中的解决方案比较
[0178][0179]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0180]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内容。

技术特征：

1.考虑安全约束机组组合优化加速方法，其特征在于，方法包括以下步骤：在给定具有已知拓扑和线路参数的电网系统基础之上，调用已知拓扑和线路参数的电网系统的区域中的用户历史负荷信息，通过预测和优化机组在一天或一周内的启停状态和日前实时发电调度处理，从而建立考虑安全约束的机组组合scuc模型，以scuc模型建立scuc场景；根据建立的scuc场景的数据特征，将已知电网系统调度信息整合的负载波动数据作为收集的训练数据特征来构造加速策略的输入参数；在输入参数的基础上，通过图神经网络多元分类器，用通用的求解器求解不同参数下scuc问题的milp混合整数线性规划模型，学习和识别两个数据标签0-1变量和紧约束，并在数据特征和数据标签之间建立映射，形成加速策略；训练加速策略，根据输入参数识别紧约束，并通过加速策略输出二进制变量的值，通过图卷积神经网络gcn提取scuc中潜在的数据特征并做分类，应用加速策略类将scuc问题简化为仅具有紧约束的线性规划问题，通过探索和剪枝方式优化加速策略训练多元分类器gcn，得到scuc模型中二进制变量和紧约束的训练结果，进而通过kkt条件求解连续变量的取值进行scuc的大规模快速决策；评估所得的训练结果，基于非线性规划优化理论的karush-kuhn-tucker kkt条件进行最优解计算，并判断最优解是否可行，从而修正得到求解方案；对构建的加速策略进行有效性验证和结果分析，着重分析加速策略的计算效率和准确度。2.根据权利要求1所述的考虑安全约束机组组合优化加速方法，其特征在于，所述建立scuc场景的过程包括以下步骤：建立成本最优的目标函数：其中，f
i
是发电机组i的发电成本函数，p
it
是发电机i在t时刻的出力，i
it
是发电机i在t时刻的开停机状态，α
i
是启动和设备维护综合成本，su
it
是发电机i在t时刻的开机成本，sd
it
是发电机i在t时刻的停机成本；设置scuc模型的约束条件：设置scuc模型的约束条件：设置scuc模型的约束条件：设置scuc模型的约束条件：设置scuc模型的约束条件：设置scuc模型的约束条件：
其中d
it
是节点i在t时刻的负荷，sr
it
是发电机i在t时刻的旋转备用需求，or
it
是发电机i在t时刻的运行备用需求，ur
it
是发电机i在t时刻的运行上爬坡系数，dr
it
是发电机i在t时刻的运行下爬坡系，up
it
是t时刻下的开机机组i，dp
it
是t时刻下的关停机组i，x
on/off,it
是发电机i在t时刻下的最小开停机时间，t
on/off,i
是发电机i的最小开停机时间，pl
t
是t时刻下的线路潮流矩阵，θ
t
是t时刻下的节点电压相角矩阵，v
t
是t时刻下的节点电压幅值矩阵，v
min/max
表示节点电压的最大值和最小值，pl
max
表示线路最大潮流容量限制，f为(1)中表示的目标函数。3.根据权利要求2所述的考虑安全约束机组组合优化加速方法，其特征在于，所述scuc的约束包括括基本机组组合的约束和传输网络安全约束；设置scuc模型的约束条件中出现的变量包括系统状态和控制变量；线路潮流、母线电压幅值和母线电压角属于系统状态变量集，通过调整控制变量，即每个发电机组的实际功率输出，来优化目标值，等式(2)表示系统功率平衡，包括一般uc约束以及系统旋转(3)和运行(4)备用要求、实际发电容量限制(5)、最小开启(6)和关闭(7)时间限制、发电机组爬升(8)和下降(9)限制；考虑到传输网络安全约束，等式(10)表示传输流，而不等式(11)和(12)强制执行传输流限制和总线电压限制。4.根据权利要求1所述的考虑安全约束机组组合优化加速方法，其特征在于，根据建立的scuc场景的数据特征，提取、发送信号并通过scuc模型的模拟计算结果收集训练数据包括以下步骤：选择scuc的数据特征在scuc问题中，负荷的变化趋势是重复的且很小，分析表明，系统网络的拓扑和线路参数是预先确定的，不易更改，将系统网络的拓扑和线路参数视为已知的固定值，而用户的负荷需求视为自变量和可变输入参数，因此，选择用户的负荷需求构成scuc问题的数据特征标签，引入参数优化公式来建立监督学习任务；对scuc模型的数据特征进行抽象和参数化：scuc的参数化公式如下所示：其中f
i
(b,x)＝w
i
x(j|x(j)＝i
i,t
)p(j|p(j)＝load
i,t
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(14)约束表达式为：g
k
(x,p)≤0,k＝1,...,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
其中，x是scuc中所有整数和连续决策变量的向量，p是负荷需求的串联向量p＝{systemload}，g
k
(x,p)表示scuc的第k个约束，m是约束数。5.根据权利要求4所述的考虑安全约束机组组合优化加速方法，其特征在于，根据scuc的参数化公式，通过给定输入参数p来确定和求解scuc问题。6.根据权利要求1所述的考虑安全约束机组组合优化加速方法，其特征在于，所述学习和识别两个数据标签的过程包括：在输入参数的基础上，通过通用求解器gurobi计算收集训练数据，形成网络学习记忆，收集n个输入参数样本p
n
＝{p1,...,p
n
}，通过gcn加速策略，输出策略s(p
i
)对应于带有参数p
i
∈p
n
的参数化milp问题是二元变量的最优决策值和紧约束指数，优化0-1变量scuc问题的一种解决方案是到机组的最佳启动和停止状态，然后解决日前和实时发电调度问题，因此，只需获得每个发电机i变量的0-1状态，因此，令二进制变量的最佳值表示为x
*
(p
i
)＝(i
*
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)寻紧约束定义最优性紧约束为另一个加速指标，这意味着一些不等式约束取到等号以实现约束的最优性，这种不等式约束被识别为紧约束，并保留在加速策略中；其中x*(p
i
)是参数p
i
下的最优解，紧约束的数量小于约束总数，代表原始scuc问题中存在大量冗余约束，然后通过学习策略忽略大量冗余约束，从而实现加速策略，用于gcn学习的scuc优化问题的加速模型如下：其中x
0-1
表示二进制变量。7.根据权利要求1所述的考虑安全约束机组组合优化加速方法，其特征在于，所述训练加速策略的过程包括以下步骤：探索和删减加速分支构建由样本参数到加速策略的多类分类问题，样本集中包含了许多负载场景下对应的最优加速策略，为了选择某一样本参数下的最优加速策略，scuc问题的加速策略识别被视为监督学习中的多类分类任务，此多类分类任务的目的是在给定样本参数p
i
的情况下预测相应的加速策略；设在给定n个独立样本p
n
＝{p1,...,p
n
}的情况下到m个唯一策略s(p
n
)＝{s1,...,s
m
}，则在连续采样数据时会出现新的策略，因此，使用良好的图灵估计器来评估发现不可见策略的概率，遇到对应于不可见策略的参数p
n+1
的概率满足以下表达式，置信度为1-β:
其中g＝n1/n，n1对应的不同策略数只出现一次，且系数为使用多类分类器学习加速策略基于对参数scuc问题的分析，分类任务中使用的输入和输出参数如下：p＝{systemload}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)s(p)＝{value of binary variables,index of tight constraints}
ꢀꢀꢀꢀ
(22)在分类过程中，s
i
是热代码用来为输入参数p
i
重写策略类的标签；图神经网络和决策树集成被结合到多类分类器中；图卷积神经网络学习策略gcn模型的算法功能由l层组成，定义如下：其中s
i
是预测策略类，h
l
是神经网络中的第l个隐藏层，由于图神经网络中传递的数据要以图的结构表示，首先要进行从参数p
i
到节点特征x
i
的映射，用h0表示：x
i
＝h0(p
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)各节点的特征x
i
包含2个维度，分别表示节点负载和故障指示符，若节点相邻线路故障，则故障指示符为1，否则为0；每个隐藏层的组成元素为y
l
＝h
l
(y
l-1
,a)＝σ
l
(ay
l-1
w
l
+b
l
),l＝1,...,l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)其中y
l
是通过层操作得到的数据，a是电力网络的邻接矩阵，w
l
和b
l
是网络权值参数，输入层定义为l＝1，输出层定义为l＝l，于是y0＝x
i
,y
l
＝s
i
，每层使用参数w
l
和b
l
执行仿射变换；此外，激活函数σ
l
被集成到非线性模型中，引入了激活函数relu，即线性整流函数，如下所示：σ
l
(x)＝max(x,0),l＝1,...,l-1
ꢀꢀꢀꢀꢀ
(26)其中，max运算符按位执行，relu算子表现出更高的性能，能避免通常的sigmoid函数中出现的消失梯度问题，输出层设置为softmax函数，提供加速策略之间的标准化排序，并评估它们成为正确策略的可能性，softmax函数由于平滑性和概率解释性，在多分类问题中非常常见，加速策略的选择层，即σ
l
表示为在gcn网络的训练过程中，应用了交叉熵损失函数，训练过程采用随机梯度下降法获得损失函数导数并基于反向传播规则训练。8.根据权利要求1所述的考虑安全约束机组组合优化加速方法，其特征在于，所述评估所得的训练结果的过程包括：通过gcn分类器的加速策略将milp的scuc问题转化为线性规划lp的scuc问题，接着利用kkt条件计算转化后的scuc模型的最优解，若加速策略下的求解结果可行，则输出作为
scuc问题的解；若加速策略求解遇到不可行问题，则设置预测数据进行预求解，基于传统求解器gurobi计算从而再输出大规模scuc问题的优化结果。9.一种设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的考虑安全约束机组组合优化加速方法。10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的考虑安全约束机组组合优化加速方法。

技术总结

本发明公开了考虑安全约束机组组合优化加速方法、设备及存储介质，属于电力系统考虑安全约束的机组组合优化加速算法领域，通过特征化相应参数进一步设计了SCUC模型，接着，连续生成样本，并在GCN中探索和剪枝，优化相应的加速策略，在本加速策略中，仅保留紧约束，优化二进制变量，减少大规模计算的优化分支，通过加速策略，SCUC的计算效率提高，其在大规模系统中的决策要求获得满足，最后在IEEE30节点和118节点系统中验证所提出的优化加速算法，评估求解的计算时间和最优性，分析实验结果，并与传统求解器比较，GCN实现了性能改进，平均计算速度提高了39.9倍，预测解的相对差距为0.07％和0.16％。0.07％和0.16％。0.07％和0.16％。