CN118211675B 基于机器学习消除冗余约束的机组组合加速寻优方法及系统 （中国电力科学研究院有限公司）

基于机器学习消除冗余约束的机组组合加本发明公开了一种基于机器学习消除冗余原机组组合问题转化成不含线路潮流约束的问约束数量和问题规模，提高机组组合寻优的效2若SCUC模型中机组出力上下限的半连续约束和线路潮流约束均成立，则引入只含0_1基于惩罚的方式将只含0_1变量子问题的解加入至原机组组合问题的目标函数中，使i,t基于子问题的解和原机组组合问题的最优解，获取两者之间的i,t和Yi,t分别为机组是否开机和关机的决策变量；2.根据权利要求1所述的基于机器学习消除冗余约束的机组组合加速寻优方法，其特路潮流约束成立，则线路潮流约束的上下限距离半连续约束转变形式的上下限非常接近；构造一个只包含0_1变量的子问题来求解出相应的0_1变量的值，该0_1变量的子问题的目3将上述目标函数转化为只含Ii,t的线性表达式L(Ii,t)，求解这样的子3.根据权利要求2所述的基于机器学习消除冗余约束的机组组合加速寻优方法，其特j为每个机组分别在各个时段中的偏移程度v的每个4.根据权利要求3所述的基于机器学习消除冗余约束的机组组合加速寻优方法，其特5.基于权利要求1所述的基于机器学习消除冗余约束的机组组合加速寻优方法的基于第一获取模块，所述第一获取模块获取SCUC模型机组出力上第二获取模块，所述第二获取模块基于惩罚的方式将只含0_1变量子问题的解加入至4偏移数据获取模块，所述偏移数据获取模块基于子问6.一种终端设备，包括存储器、处理器以及存储在7.一种计算机可读存储介质，所述计算机可读存储5[0002]复杂稠密的安全约束和最小连续启停时间约束是影响大规模机组组合求解效率[0003]本发明的目的在于解决现有技术中无法精准识别安全潮流约束以及最小连续启[0008]基于惩罚的方式将只含0_1变量子问题的解加入至原机组组合问题的目标函数6[0026]进一步的，基于惩罚的方式将只含0_1变量子问题的解加入至原机组组合问题的组在各个时段的机组状态变量偏移量；改变原机组组合问题的特征需求D，获取多个最优合问题进行求解，获取若干个最优解I*，计算出每一个I*与只含0_1变量的子问题解S的距7pd)=d'd=v,(9)[0043]第二获取模块，所述第二获取模块基于惩罚的方式将只含0_1变量子问题的解加入至原机组组合问题的目标函数中，使得子问题的解尽可能接近原机组组合问题的最优[0049]本发明将机组组合问题转化成不含线路潮流约束的问题，使用0_1变量控制线路8[0051]图1为本发明的基于机器学习消除冗余约束的机组组合加速寻优方法的流程示意[0052]图2为本发明的基于机器学习消除冗余约束的机组组合加速寻优系统的结构示意[0061]参见图1，本发明公布了一种基于机器学习消除冗余约束的机组组合加速寻优方9[0078]S103，基于惩罚的方式将只含0_1变量子问题的解加入至原机组组合问题的目标pd)=d'd=v,(9)[0094]参见图2，本发明公布了一种基于机器学习消除冗余约束的机组组合加速寻优系[0097]第二获取模块，所述第二获取模块基于惩罚的方式将只含0_1变量子问题的解加入至原机组组合问题的目标函数中，使得子问题的解尽可能接近原机组组合问题的最优[0101]参见图3，本发明公布了一种基于机器学习消除冗余约束的机组组合加速寻优算[0102]第一部分是通过将0_1变量表示线路潮流约束，从而将线路潮流约束的信息转化过传统优化方法将机组组合问题转化成不含线路潮流约束的问题，使用0_1变量控制线路学习每个机组在所有时段的变化次数范围，形成冗余的最小连续启停时间约束识别规则，题来求解出相应的0_1变量的值，该子问题的目标为最小化半连续约束的上下限和线路潮[0131]通过获取到机组组合问题中部分约束所形成的0_1变量的解S。这个解S离真正的实解的信息与这个解S的偏差预测每个机组在96个时段中机组状态变量分别的偏移量。而机组状态变量分别的偏移量后，通过0_1变量子问题的最小连续启停时间约束的约束表达得[0154]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行[0155]所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序