一种基于图注意力网络的电力系统短期运行模拟加速算法的制作方法
本发明属于电力系统调度优化,具体涉及一种基于图注意力网络的电力系统短期运行模拟加速算法。
背景技术:
1、短期电力电量平衡分析是新型电力系统日前、日内调度的核心工具,统筹各类电源、储能、负荷及跨区电力资源,评估系统供需与备用水平,支撑调度计划与安全校核。工程中该问题普遍采用混合整数线性规划(milp,mixed integer linear programming)建模。随着新能源、源网荷储大规模接入,电网规模持续扩大,milp模型变量、约束、机组启停0-1整数变量急剧增多,商用求解器计算耗时过长,无法满足电网在线快速测算、多场景滚动推演的实时需求。
2、然而,目前主流加速手段是利用深度学习预测机组启停0-1变量,将预测结果作为初始解给求解器热启动,压缩寻优空间以缩短求解时间,但现有基于cnn、全连接网络的方案存在固有缺陷:
3、1、将milp数据扁平化一维输入,丢失电网拓扑、变量与约束间耦合关系,仅做无结构数值拟合。
4、2、统一归一化全部特征,无法区分连续出力、0-1启停变量、线路约束等异质要素,关键特征提取不足。
5、3、输入维度固定,电网新增机组、负荷或调整线路约束后模型精度骤降,需重新采集样本训练,复用性差。
6、4、忽略milp底层数学结构,仅做表层数值拟合,未利用优化问题结构先验,技术路线同质化严重。
7、因此,需要一种兼顾求解质量、大幅提升短期电力电量平衡milp模型求解速度的加速算法,解决上述技术难题。
技术实现思路
1、本发明提供以下技术方案:一种基于图注意力网络的电力系统短期运行模拟加速算法,包括以下步骤:
2、步骤s1、构建短期电力电量平衡混合整数线性规划milp模型,对milp模型进行解析并转化为二部图;二部图包含变量节点集、约束节点集以及变量-约束之间的边;变量节点集对应milp全部决策变量,约束节点集包含各常规约束节点与表征目标函数的线性约束;二部图的同类节点不相连,仅当变量在约束中系数非零时,对应变量节点与约束节点之间建立无向边,边权重等于对应约束系数。
3、步骤s2、构建标准化节点特征体系,分别生成变量节点特征、约束节点特征作为二部图节点输入特征;变量节点特征包括目标函数系数变换值、列系数平均值、节点度数、列系数最大值、列系数最小值、0-1变量标识;约束节点特征包括行系数平均值、节点度数、约束右端项rhs值、约束符号。
4、步骤s3、搭建异构图transformer图注意力网络hgt模型,以步骤s1、s2得到的带节点特征的二部图作为模型输入,构建包括监督损失函数、物理约束损失的混合总损失函数对hgt模型完成训练;监督损失函数融合动态加权二元交叉熵损失与软f1损失,用于拟合机组启停0-1变量真实标签;物理约束损失项筛选批次内违约程度最高的前个约束构建违约惩罚项。
5、步骤s4、将待求解目标场景milp模型转化为二部图并输入训练完成的hgt模型,输出全部机组0-1启停变量的预测概率。
6、步骤s5、采用硬固定与分支引导相结合策略处理预测概率:设置上阈值、下阈值,将预测概率≥的变量直接固定为1,预测概率≤的变量直接固定为0;对剩余未固定变量,基于预测概率设置分支优先级与分支方向引导商用milp求解器分支搜索。
7、步骤s6、将步骤s5处理后的变量固定信息、分支引导策略传入 gurobi 商用求解器,对短期电力电量平衡 milp 模型进行热启动求解,输出最优调度方案。
8、优选的,所述步骤s1中milp模型解析转换二部图的实现方式为:采用pyomo、gurobipy工具对短期电力电量平衡问题建模,将模型序列化为mps标准文件,基于mps列式存储结构解析变量、约束、系数关系完成二部图构建。
9、优选的,所述步骤s3动态加权二元交叉熵损失中,正样本权重系数由单批次样本数量动态计算,计算公式为:
10、(3)
11、式中,为批次内正样本数量,为批次内负样本数量。
12、优选的,所述步骤s3中,软f1损失通过平滑近似真阳性、假阳性、假阴性构建可微损失函数,总监督损失为:
13、(2)
14、(8)
15、式中,和分别为二元交叉熵损失、软 f1 损失的权重系数;为动态加权二元交叉熵,为极小常数,防止分母为0。
16、更优的,所述步骤s3中,物理约束损失项构建方式为:将 0-1 变量预测概率代入各约束表达式,基于约束类型分别计算约束违约值,筛选违约值最大前个约束求和取平均得到物理损失;算法总损失函数为:
17、(11)
18、式中,为第轮训练时的物理损失权重系数。
19、优选的,所述步骤s5中,分支优先级设置规则为:预测概率越接近0.5的变量,分支优先级越高,求解器优先对该类变量开展分支;预测概率趋近于0或1的变量降低分支优先级。
20、更优的,所述步骤 s5中,分支方向引导规则为:变量预测概率大于0.5时,求解器优先探索变量取值为1的分支;变量预测概率小于0.5时,求解器优先探索变量取值为0的分支。
21、优选的,所述步骤s3中,hgt异构图transformer网络为元关系驱动的类型感知注意力消息传递架构,适配变量、约束两类异质节点特征交互。
22、优选的,所述步骤s6中加速比定义为:
23、(12)
24、式中,为单纯的求解器求解时间;、、分别为模型的数据预处理、算法推理、求解器求解时间。
25、优选的,所述步骤s6中求解质量采用目标函数相对误差评估,计算公式为:
26、(13)
27、式中,为本算法加速求解得到的目标函数值,为求解器直接求解得到的目标函数值。
28、本发明的有益效果是:
29、1.本发明保留milp与电网耦合结构,提升机组启停变量预测精度;本发明将短期电力电量平衡对应的milp优化问题抽象构建二部图,以变量节点、约束节点为图节点,变量节点与约束节点耦合关系为图边,留存 milp底层数学结构与电网物理拓扑关联;区别于传统网络扁平化数据处理方式,本发明从优化问题底层逻辑建模,可精准捕捉机组间、机组与负荷间的耦合制约规律,从根本上提升机组启停0-1二元变量的预测准确度。
30、2.本发明差异化区分变量与约束,生成高质量求解初始热启动解;本发明依托二部图天然划分决策变量节点、系统约束节点两类异质节点,结合图注意力网络自适应学习各节点间关联权重,可对影响机组启停的关键约束分配更高注意力权重,针对0-1启停变量开展定向特征挖掘;输出的机组启停预测结果更贴合milp最优解分布,能够为商用求解器提供品质更优的初始解,有效压缩求解器寻优区间。
31、3.本发明模型动态适配电网拓扑变化,泛化能力强、工程落地成本低;本发明采用图注意力网络架构,支持图节点数量、连接关系动态调整,仅遵循统一的“milp转二部图”建模规则即可适配电网工况;当电网新增机组、负荷或调整线路约束时,无需重新采集大量样本、重复训练模型,对不同规模、不同拓扑结构的电力平衡算例均具备良好适配能力,大幅降低工程应用的数据采集与模型迭代成本。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com