基于双模型级联与影子价格编码的安全约束机组组合优化求解方法及系统与流程

本发明电力系统优化调度，尤其涉及一种基于双模型级联与影子价格编码的安全约束机组组合优化求解方法及系统。

背景技术：

1、安全约束机组组合是电力系统日前调度的核心计算任务，其本质为包含数千个二值决策变量的大规模混合整数规划（mixed integer programming，mip）问题。设系统包含台火电机组、个调度时段，则涉及个二值决策变量（机组启停状态、开机动作、停机动作）以及相应的连续变量（机组出力），需在满足功率平衡、备用容量、出力上下限、爬坡速率、最小启停时间等复杂约束条件下，最小化系统总发电成本。

2、传统求解方法主要依赖商业求解器（如cplex、gurobi）的分支定界（branch-and-bound）算法。然而，随着电力系统规模扩大和新能源并网比例提升，传统方法采用单实例求解耗时可达30分钟以上，难以满足调度实时性需求。

3、近年来，基于人工智能的加速求解方法逐渐成为研究热点，包括：（1）拉格朗日松弛方法：存在固有的结构性对偶间隙（通常达40%以上），导致高成本机组的停机决策准确率极低，无法保证解的质量。（2）端到端黑盒预测方法：虽能减少求解时间，但缺乏严格的物理约束保证，极易因预测误差导致解不可行。（3）neural diving方法：使用图神经网络生成混合整数规划的部分赋值，剩余变量由求解器处理。但现有方法多采用单一模型直接预测，未充分考虑电力系统中影子价格与机组决策之间的深层耦合关系，且缺乏针对安全约束机组组合问题特性的定制化设计。

4、此外，现有基于图神经网络的安全约束机组组合求解方法在训练阶段通常需要动态构建图结构，计算开销大；同时缺乏有效的容错机制，当遇到分布外场景（如极端负荷、机组检修）时，求解性能急剧下降，难以满足电力系统对可靠性的严格要求。

技术实现思路

1、发明目的：本发明的目的是提供一种基于双模型级联与影子价格编码的安全约束机组组合优化求解方法及系统，克服现有技术中拉格朗日松弛方法对偶间隙大、端到端预测方法缺乏可行性保证以及分布外场景鲁棒性不足的缺陷。

2、技术方案：本发明所述的一种基于双模型级联与影子价格编码的安全约束机组组合优化求解方法，包括：

3、s1、获取电力系统的负荷数据、机组参数和检修计划，构建输入特征集；

4、s2、构建影子价格预测模型，将输入特征集输入影子价格预测模型中；模型通过对机组参数和负荷数据进行编码，分别生成机组侧特征向量和负荷上下文特征向量，将负荷上下文特征和机组侧特征进行整合，生成融合隐藏层表示，将隐藏层表示映射为影子价格预测值且压缩为影子价格结构编码；

5、s3、根据所述影子价格预测值，以最大化各机组自身运行收益为目标，收益目标函数定义为机组报价与影子价格预测值的差值，采用并行单机动态规划方法计算各机组在各时段的启停状态；所述动态规划的状态空间定义为时段、连续运行时长、连续停机时长及出力水平；基于计算出的所有机组的启停状态，计算各机组在各时段的系统容量裕度特征；

6、s4、基于影子价格结构编码和系统容量裕度特征对每台机组构建时序二分图，将时序二分图输入至图神经网络，通过消息传递输出机组各时段的启停状态概率，根据启停状态概率，当其中一台机组在全部时段的概率均超过开机阈值或均低于停机阈值时，将该机组设置为开机状态或停机状态，构建缩减后的混合整数规划子问题；

7、s5、采用商业求解器求解缩减后的混合整数规划子问题，得到最终机组组合方案及目标函数值。

8、进一步地，所述负荷数据包括调度时段的系统负荷需求及备用容量需求；所述机组参数包括机组的最小技术出力、最大技术出力、爬坡速率、最小连续开机时间、最小连续停机时间、启动成本及分段报价曲线；所述检修计划包括机组的检修状态标识。

9、进一步地，所述影子价格预测模型，包括机组侧集合编码器，用于对机组参数进行编码，生成机组侧特征向量；负荷侧时序编码器，用于对负荷数据进行编码，生成负荷上下文特征矩阵；融合注意力机制，用于将负荷上下文特征作为查询向量，以机组侧特征作为键向量和值向量，计算供需注意力权重，生成融合供需信息的隐藏层表示，生成融合隐藏层表示；价格预测头，用于将隐藏层表示映射为影子价格预测值；结构编码投影层，用于将隐藏层表示经线性变换、层归一化和非线性激活压缩为影子价格结构编码。

10、进一步地，所述系统容量裕度特征的计算公式为：

11、

12、其中，表示第台机组的最小技术出力，表示第台机组在第时段的启停状态估算值，表示第时段的系统负荷需求。

13、进一步地，所述时序二分图包含变量节点和约束节点；所述变量节点的特征向量由基础特征与影子价格结构编码拼接而成，所述基础特征包括机组物理特征、时序特征、系统容量裕度特征、经济性特征；所述约束节点包括爬坡上行约束节点、爬坡下行约束节点、最小连续开机时间约束节点和最小连续停机时间约束节点，变量节点与约束节点之间根据物理约束关联关系建立边连接。

14、进一步地，所述图神经网络采用异构图采样聚合网络进行消息传递，每层消息传递包括：将变量节点的特征信息沿边传递至相邻的约束节点，再将约束节点的特征信息反馈传递至相邻的变量节点；层间采用残差连接和层归一化以稳定训练。

15、进一步地，所述采用商业求解器求解缩减后的混合整数规划子问题，得到最终机组组合方案及目标函数值，具体为：目标函数为最小化系统总运行成本，由各机组的发电成本与启动成本之和构成，商业求解器在求解过程中自动计算并返回最优值，求解器返回的最终目标函数值即为满足所有物理约束下的最小总成本。

16、进一步地，所述方法还包括实施多级回退保障机制：在求解不可行或触发分布外检测时自动降级至下一级别重新求解，直至获得可行解或退化为标准求解模式；其中分布外检测通过计算当前输入特征与训练集特征分布的马氏距离实现，当所述马氏距离超过预设阈值时判定为分布外场景。

17、进一步地，所述s2还包括对影子价格预测模型进行训练，训练数据集的构建包括：

18、执行扰动机制生成多样化调度场景样本，包括负荷扰动、报价扰动、检修计划扰动；

19、对各扰动场景采用商业求解器求解安全约束机组组合混合整数规划问题，获得全局最优的机组启停状态作为标签；

20、固定机组启停状态，构建仅含连续变量的线性规划问题，调用商业求解器求解并获得功率平衡约束的对偶变量，作为真实影子价格标签；

21、构建标准化训练数据集，包含所述输入特征集，以及所述最优的机组启停状态和真实影子价格标签作为监督标签；对样本按季节属性进行划分，确保训练集、验证集和测试集在各季节均匀分布，其中季节属性包括春季低峰、夏季高峰、秋季低峰和冬季高峰。

22、本发明所述的一种基于双模型级联与影子价格编码的安全约束机组组合优化求解系统，包括：

23、数据获取模块：获取电力系统的负荷数据、机组参数和检修计划，构建输入特征集；

24、影子价格预测模块：构建影子价格预测模型，将输入特征集输入影子价格预测模型中；模型通过对机组参数和负荷数据进行编码，分别生成机组侧特征向量和负荷上下文特征向量，将负荷上下文特征和机组侧特征进行整合，生成融合隐藏层表示，将隐藏层表示映射为影子价格预测值且压缩为影子价格结构编码；

25、容量裕度计算模块：根据所述影子价格预测值，以最大化各机组自身运行收益为目标，采用并行单机动态规划方法计算各机组在各时段的启停状态；所述动态规划的状态空间定义为时段、连续运行时长、连续停机时长及出力水平，其收益函数由机组报价与影子价格预测值的差值决定；基于计算出的所有机组的启停状态，计算各机组在各时段的系统容量裕度特征；

26、二分图神经网络模块：基于影子价格结构编码和系统容量裕度特征对每台机组构建时序二分图，将时序二分图输入至图神经网络，通过消息传递输出机组各时段的启停状态概率，根据启停状态概率，当其中一台机组在全部时段的概率均超过开机阈值或均低于停机阈值时，将该机组设置为开机状态或停机状态，构建缩减后的混合整数规划子问题；

27、方案求解模块：采用商业求解器求解缩减后的混合整数规划子问题，得到最终机组组合方案及目标函数值。

28、有益效果：与现有技术相比，本发明具有如下显著优点：

29、（1）本发明通过引入容量裕度特征和影子价格结构编码，将系统级信息注入单机决策，显著提高了高成本机组等关键决策的准确性。（2）本发明采用人工智能预测和商业求解器兜底的白盒架构，人工智能仅固定高置信度变量，所有物理约束由求解器严格保证，避免了端到端黑盒预测的不可行陷阱。（3）本发明采用预构建图结构、参数共享网络等策略，大幅降低了训练开销；双阈值固定策略显著缩减了求解空间。（4）本发明采用多级回退机制和分布外检测功能，使方法能从容应对极端负荷、检修等分布外场景，满足电力系统高可靠性的要求。