基于机器学习和运筹优化的不可行边界计算方法及系统与流程

本发明涉及电力系统领域，尤其涉及一种基于机器学习和运筹优化的不可行边界计算方法及系统。

背景技术：

1、在电力系统调度中，安全约束机组组合（scuc，security-constrained unitcommitment）是指在考虑各种安全约束条件的情况下，确定电力系统中发电机的组合方式，以保证系统的安全可靠运行，其中，scuc通常被建模为一个混合整数线性规划问题（milp，mixed-integer linear programming）。

2、在实际电网运行中，所构建的scuc模型通常规模巨大，可能包含百万级别的变量和约束数目，同时约束类型众多，相互之间在时间和空间上存在强耦合性。因此，当出现不合理的电网运行边界数据而造成scuc模型不可行时，如何快速精准定位数据边界问题也成了如今电力调度中的一大难点，从而也就使得在出现scuc模型不可行时对于电网调度方案相关参数的调整不够迅速准确。

技术实现思路

1、为了解决上述技术问题，本发明实施例提出了一种基于机器学习和运筹优化的不可行边界计算方法及系统，能够快速精准定位到安全约束机组组合中的不可行边界，并相应调整调度方案中的运行边界参数以实现更高效精准的电网调度。

2、为了实现上述目的，本发明实施例提供了一种基于机器学习和运筹优化的不可行边界计算方法，包括：

3、当待调度电网在运行过程中发生安全约束机组组合不可行时，获取所述待调度电网的当前运行边界数据；

4、将所述当前运行边界数据输入到预训练的机器学习模型，得到所述机器学习模型输出的冲突约束类型；其中，所述机器学习模型是基于历史出清数据训练得到的，所述历史出清数据为在电网运行中发生安全约束机组组合不可行的历史数据；

5、基于所述冲突约束类型，计算获取最小不可行冲突集；

6、基于所述最小不可行冲突集及所述当前运行边界数据，计算获取不可行边界调整量，其中，所述不可行边界调整量用于对所述待调度电网的调度方案中的运行边界参数进行调整。

7、进一步的，所述机器学习模型通过如下步骤进行训练：

8、获取所述历史出清数据；其中，所述历史出清数据包括历史电网边界数据及其对应的历史冲突约束；

9、基于所述历史出清数据进行模拟仿真，生成仿真数据；

10、基于所述仿真数据与所述历史出清数据，获取样本数据集；

11、对所述样本数据集进行特征工程处理，得到样本特征；

12、利用所述样本特征对待训练机器学习模型进行训练，得到所述机器学习模型。

13、进一步的，所述历史电网边界数据包括历史机组出力信息，所述仿真数据包括机组仿真数据；

14、则，所述基于所述历史出清数据进行模拟仿真，生成仿真数据，包括：

15、对所述历史机组出力信息的机组参数进行调整；

16、基于调整后的历史机组出力信息进行机组运行的模拟仿真，生成机组仿真数据。

17、进一步的，所述基于所述仿真数据与所述历史出清数据，获取样本数据集，包括：

18、计算所述历史出清数据的第一经验分布函数，以及，计算所述仿真数据的第二经验分布函数；

19、计算所述第一经验分布函数与所述第二经验分布函数之间的最大差值；

20、若所述最大差值大于预设的显著性水平临界值，则合并所述仿真数据与所述历史出清数据，得到样本数据集。

21、进一步的，所述对所述样本数据集进行特征工程处理，得到样本特征，包括：

22、从所述样本数据集中提取样本关键信息作为所述样本特征中的训练输入特征；

23、从所述样本数据集中提取样本冲突约束类型作为所述样本特征中的训练输出特征；

24、其中，所述样本关键信息包括负荷量和机组运行状态中的至少一项，所述样本冲突约束类型包括发电量约束和负荷供需约束中的至少一项。

25、进一步的，所述基于所述冲突约束类型，计算获取最小不可行冲突集，包括：

26、基于所述冲突约束类型，通过预先配置的整数规划求解器计算得到最小不可行冲突集；其中，所述最小不可行冲突集包括导致安全约束机组组合不可行的多类目标冲突约束。

27、进一步的，所述当前运行边界数据包含所述多类目标冲突约束对应的运行信息；

28、所述基于所述最小不可行冲突集及所述当前运行边界数据，计算获取不可行边界调整量，包括：

29、对每一类目标冲突约束进行松弛计算，得到每一类目标冲突约束对应的松弛量；

30、基于每一类目标冲突约束对应的松弛量以及运行信息，计算获取不可行边界调整量。

31、本发明实施例还提供了一种基于机器学习和运筹优化的不可行边界计算系统，包括：

32、数据获取模块，用于当待调度电网在运行过程中发生安全约束机组组合不可行时，获取所述待调度电网的当前运行边界数据；

33、冲突约束类型确定模块，用于将所述当前运行边界数据输入到预训练的机器学习模型，得到所述机器学习模型输出的冲突约束类型；其中，所述机器学习模型是基于历史出清数据训练得到的，所述历史出清数据为在电网运行中发生安全约束机组组合不可行的历史数据；

34、最小不可行冲突集计算模块，用于基于所述冲突约束类型，计算获取最小不可行冲突集；

35、不可行边界调整量计算模块，用于基于所述最小不可行冲突集及所述当前运行边界数据，计算获取不可行边界调整量，其中，所述不可行边界调整量用于对所述待调度电网的调度方案中的运行边界参数进行调整。

36、进一步的，所述机器学习模型通过如下步骤进行训练：

37、获取所述历史出清数据；其中，所述历史出清数据包括历史电网边界数据及其对应的历史冲突约束；

38、基于所述历史出清数据进行模拟仿真，生成仿真数据；

39、基于所述仿真数据与所述历史出清数据，获取样本数据集；

40、对所述样本数据集进行特征工程处理，得到样本特征；

41、利用所述样本特征对待训练机器学习模型进行训练，得到所述机器学习模型。

42、进一步的，所述历史电网边界数据包括历史机组出力信息，所述仿真数据包括机组仿真数据；

43、则，所述基于所述历史出清数据进行模拟仿真，生成仿真数据，包括：

44、对所述历史机组出力信息的机组参数进行调整；

45、基于调整后的历史机组出力信息进行机组运行的模拟仿真，生成机组仿真数据。

46、综上，本发明具有以下有益效果：

47、采用本发明实施例，通过当待调度电网在运行过程中发生安全约束机组组合不可行时，获取所述待调度电网的当前运行边界数据；将所述当前运行边界数据输入到预训练的机器学习模型，得到所述机器学习模型输出的冲突约束类型；其中，所述机器学习模型是基于历史出清数据训练得到的，所述历史出清数据为在电网运行中发生安全约束机组组合不可行的历史数据；基于所述冲突约束类型，计算获取最小不可行冲突集；基于所述最小不可行冲突集及所述当前运行边界数据，计算获取不可行边界调整量，其中，所述不可行边界调整量用于对所述待调度电网的调度方案中的运行边界参数进行调整，从而能够快速精准定位到安全约束机组组合中的不可行边界，并相应调整调度方案中的运行边界参数以实现更高效精准的电网调度。