【技术实现步骤摘要】
本申请涉及电力系统调度，特别涉及一种基于在线学习的机组组合快速求解方法和系统。
技术介绍
1、机组组合(unit commitment,uc)是电力现货市场出清的核心环节之一，用于确定发电机组的开关状态和发电量，以满足系统的需求并最小化系统运行成本，同时需要满足系统和机组的约束。目前机组组合主要用于日前电力市场，即提前一天决定机组的调度计划。随着可再生能源在电力系统中的逐步渗透，为适应不断增加的网络净负荷(等于负荷减去可再生能源发电功率)波动，需要考虑更加接近实际运行时间的日内(提前数小时)和实时(提前1小时或甚至15分钟)机组组合。然而，日内和实时机组组合的求解时间限制更短；且机组组合问题本身包含大量离散和连续决策变量以及各类约束，问题很复杂；为了满足更大范围的净负荷曲线波动，更加难以搜索可行区域。因此，日内和实时机组组合的求解难度更大。
2、机组组合通常被表述为混合整数线性规划(mixed-integer linearprogramming,milp)问题，并可用商业求解器(gurobi、cplex等)求解。现有的商业求解器的求解时间难以预测，以现有的日前机组组合为例，大多数情况下可以在有限出清时间内完成求解，但是在少数困难情况下仍难以在有限出清时间内完成求解。并且，机组组合问题每隔一段时间被求解一次，而商业求解器却将每次运行过程当作一个独立的milp求解，没有从中积累任何有用的经验。在实际的电力系统中，机组组合问题的问题数学结构不变且输入数据只有部分的变化。因此，国内外众多学者受到人工智能方法的启发，开始利用机
3、但是，现有的基于机器学习的机组组合求解方法通常采用离线学习、在线预测的框架，难以应对随着外部环境的变化(例如电网拓扑结构)而出现的新情况。并且，现有的机器学习技术学习并预测机组变量时，也未考虑机组变量与运行约束之间的耦合关系。因此，亟需一种能够及时适应外部环境的改变，并在困难情况可以快速求得高质量解的备用求解引擎。
技术实现思路
1、针对现有计算方法的以上缺陷或改进需求，本专利技术提供了一种基于在线学习的机组组合快速求解方法和系统，其可以减少机组组合问题的搜索空间，去除相关冗余约束以快速高质量求解，解决现有机组组合先离线学习后在线预测难以在运行过程中及时适应环境变化并调整模型的问题。
2、一方面，本专利技术实施例提供一种基于在线学习的机组组合快速求解方法，包括：根据最小化发电成本的目标函数和约束条件构建机组组合模型；根据所述机组组合模型将多轮历史求解数据输入含遗忘因子的递归最小二乘法进行映射模型的在线学习；利用所述映射模型预测机组的启动变量和开关变量，根据最小运行/停机时间约束添加机组的开关变量和启动变量的等式约束；根据所述等式约束获取简化的机组组合问题并进行求解。
3、在本专利技术的一个实施例中，所述根据所述机组组合模型将多轮历史求解数据输入含遗忘因子的递归最小二乘法进行映射模型的在线学习，包括：将混合整数线性规划模型和商业求解器作为主引擎，将上轮输入主引擎的净负荷与机组数据作为特征，求解输出的机组启动变量和开关变量的最优值作为标签，构建本轮数据集；对机组组合中每个调度时间的机组启动和开关变量分别构建映射模型，并将模型权重初始化为上轮学习的模型权重；对于每个映射模型，利用含遗忘因子的递归最小二乘法在线计算映射模型所需的中间变量，并根据中间变量在线更新映射模型的权重。
4、在本专利技术的一个实施例中，所述利用所述映射模型预测机组的启动变量和开关变量，根据最小运行/停机时间约束添加机组的开关变量和启动变量的等式约束，包括：将本轮净负荷数据和机组数据输入备用引擎中的映射模型中，得到所有机组变量的置信度及预测值；对于置信度高的机组变量，联合最小运行/停机时间约束添加相应的等式约束，以固定变量取值并去除相关冗余约束。
5、在本专利技术的一个实施例中，所述目标函数表示为：其中，k＝{1,2,...k}表示发电机组下标、t＝{1,2,...,t}表示调度时间下标、j＝{1,2,...j}表示报价块下标、表示机组k的启动成本、表示机组k的空载成本、ck,s表示机组k在报价块s的分段线性发电成本，并且该参数单调不减、uk,t为0-1变量表示机组k在调度时间t的启动状态、xk,t为0-1变量表示机组k在调度时间t的开关状态、pk,j,t为机组k在报价块j和时间t的发电量。
6、在本专利技术的一个实施例中，所述约束条件包括：机组报价块约束、机组发电量上下限约束、机组启动约束、机组爬坡约束、机组的最小运行/停机时间约束、系统净负荷约束、传输线容量约束。
7、另一方面，本专利技术实施例提出一种基于在线学习的机组组合快速求解系统，包括：机组组合模型构建模块，用于根据最小化发电成本的目标函数和约束条件构建机组组合模型；在线学习模块，用于根据所述机组组合模型将多轮历史求解数据输入含遗忘因子的递归最小二乘法进行映射模型的在线学习；在线预测模块，用于利用所述映射模型预测机组的启动变量和开关变量，根据最小运行/停机时间约束添加机组的开关变量和启动变量的等式约束；问题求解模块，用于根据所述等式约束获取简化的机组组合问题并进行求解。
8、在本专利技术的一个实施例中，所述在线学习模块具体用于：将混合整数线性规划模型和商业求解器作为主引擎，将上轮输入主引擎的净负荷与机组数据作为特征，求解输出的机组启动变量和开关变量的最优值作为标签，构建本轮数据集；对机组组合中每个调度时间的机组启动和开关变量分别构建映射模型，并将模型权重初始化为上轮学习的模型权重；对于每个映射模型，利用含遗忘因子的递归最小二乘法在线计算映射模型所需的中间变量，并根据中间变量在线更新映射模型的权重。
9、在本专利技术的一个实施例中，所述在线预测模块具体用于：将本轮净负荷数据和机组数据输入备用引擎中的映射模型中，得到所有机组变量的置信度及预测值；对于置信度高的机组变量，联合最小运行/停机时间约束添加相应的等式约束，以固定变量取值并去除相关冗余约束。
10、再一方面，本专利技术实施例提出一种电子设备，包括：存储器和连接所述存储器的一个或多个处理器，存储器存储有计算机程序，处理器用于执行所述计算机程序以实现如上述中任意一个实施例所述的机组组合快速求解方法。
11、又一方面，本专利技术实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行命令，所述计算机可执行命令用于执行如上述中任意一个实施例所述的机组组合快速求解方法。
12、由上可知，本专利技术所构思的上述方案与现有技术相比，可以具有如下...
【技术保护点】
1.一种基于在线学习的机组组合快速求解方法，其特征在于，包括：
2.根据权利要求1所述的基于在线学习的机组组合快速求解方法，其特征在于，所述根据所述机组组合模型将多轮历史求解数据输入含遗忘因子的递归最小二乘法进行映射模型的在线学习，包括：
3.根据权利要求1所述的基于在线学习的机组组合快速求解方法，其特征在于，所述利用所述映射模型预测机组的启动变量和开关变量，根据最小运行/停机时间约束添加机组的开关变量和启动变量的等式约束，包括：
4.根据权利要求1所述的基于在线学习的机组组合快速求解方法，其特征在于，所述目标函数表示为：其中，k＝{1,2,...K}表示发电机组下标、t＝{1,2,...,T}表示调度时间下标、j＝{1,2,...J}表示报价块下标、表示机组k的启动成本、表示机组k的空载成本、Ck,s表示机组k在报价块s的分段线性发电成本，并且该参数单调不减、uk,t为0-1变量表示机组k在调度时间t的启动状态、xk,t为0-1变量表示机组k在调度时间t的开关状态、pk,j,t为机组k在报价块j和时间t的发电量。
5.根据权利要求
6.一种基于在线学习的机组组合快速求解系统，其特征在于，包括：
7.根据权利要求6所述的基于在线学习的机组组合快速求解系统，其特征在于，所述在线学习模块具体用于：
8.根据权利要求6所述的基于在线学习的机组组合快速求解系统，其特征在于，所述在线预测模块具体用于：
9.一种电子设备，其特征在于，包括：存储器和连接所述存储器的一个或多个处理器，存储器存储有计算机程序，处理器用于执行所述计算机程序以实现如权利要求1-5任一项所述的机组组合快速求解方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行命令，所述计算机可执行命令用于执行如权利要求1-5任一项所述的机组组合快速求解方法。
...【技术特征摘要】
1.一种基于在线学习的机组组合快速求解方法，其特征在于，包括：
2.根据权利要求1所述的基于在线学习的机组组合快速求解方法，其特征在于，所述根据所述机组组合模型将多轮历史求解数据输入含遗忘因子的递归最小二乘法进行映射模型的在线学习，包括：
3.根据权利要求1所述的基于在线学习的机组组合快速求解方法，其特征在于，所述利用所述映射模型预测机组的启动变量和开关变量，根据最小运行/停机时间约束添加机组的开关变量和启动变量的等式约束，包括：
4.根据权利要求1所述的基于在线学习的机组组合快速求解方法，其特征在于，所述目标函数表示为：其中，k＝{1,2,...k}表示发电机组下标、t＝{1,2,...,t}表示调度时间下标、j＝{1,2,...j}表示报价块下标、表示机组k的启动成本、表示机组k的空载成本、ck,s表示机组k在报价块s的分段线性发电成本，并且该参数单调不减、uk,t为0-1变量表示机组k在调度时间t的启动状态、xk,t为0-1变量表示机组k在调度时间t的开关状态、pk,j,t为机组k在...
【专利技术属性】
技术研发人员：俞耀文，黄成，高怡杰，周前，潘美岑，岑炳成，李远征，汪成根，赵勇，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。