一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法、系统、设备及存储介质与流程

本发明涉及电力系统调度，特别涉及一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法、系统、设备及存储介质。

背景技术：

1、电力系统经济调度问题是电力系统和电力市场中最基本的优化问题之一。电力系统经济调度问题的主要目标是为发电机组的开/关状态找到提前一天的调度计划。该调度计划实现了最小的发电成本，并保证满足发电、输电和系统稳定性的各种约束。

2、目前研究学者们一直在努力缩短各种电力系统经济调度问题的执行时间，以获得额外的安全和经济收益，这包括在模型公式中具有更精细的时间粒度和更长的视野，以及探索基于场景的方法的机会。鉴于此，需要一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法、系统、设备及存储介质。

技术实现思路

1、针对现有技术中电力系统经济调度问题求解速度不高的问题，本发明提供了一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法、系统、设备及存储介质，具体技术方案如下：

2、一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法，包括以下步骤：

3、步骤s1，建立多源协同电力系统调度模型，包括以1小时为时段、以1天为周期的日内计划模型，以及以15分钟为时段、三小时为周期的滚动计划模型；并将日内计划模型、滚动计划模型分别转化为混合整数规划模型；将需要求解的日内计划模型建模成二部图；

4、步骤s2，建立日内计划预测模型和滚动计划预测模型，采集历史的日内计划负荷数据和历史的滚动计划负荷数据，分别生成数据集对日内计划预测模型和滚动计划预测模型进行训练，得到训练好的日内计划预测模型和训练好的滚动计划预测模型，分别用来预测日内计划模型的调度计划和滚动计划模型的调度计划；所述日内计划预测模型和滚动计划预测模型皆采用图卷积神经网络；

5、步骤s3，通过训练好的日内计划预测模型预测日内计划模型的调度计划，得到各发电机组的发电计划，将预测为开机的机组在滚动计划预测模型的对应时段固定为开机，通过添加机组的开机时段约束实现，预测为关机的机组不做任何操作；

6、步骤s4，将添加机组的开机时段约束的滚动计划模型建模成二部图，通过训练好的滚动计划预测模型预测滚动计划模型的调度计划，将预测为开机的机组在后续滚动计划模型的对应时段作为约束固定；

7、步骤s5，输出最终的调度计划。

8、优选地，所述多源协同电力系统调度模型的约束包括风光水火核储电源运行约束，目标函数如下：

9、

10、其中，t为调度周期中的时段总数，日内计划模型的t为24，滚动计划模型的t为12；分别为时段t的弃风、弃光成本；为火电机组i在时段t的发电成本和启动成本；为核电机组i在时段t的弃核成本；

11、弃风、弃光、弃核成本计算如下：

12、

13、

14、

15、其中，δw、δpv、δn分别为单位弃风、弃光、弃核成本；

16、分别为风电、光电在时段t的预测可用电量；

17、ptw、ptpv分别为风电、光电在时段t的实际调度电量；

18、为核电机组i在时段t的实际调度电量；pin,max为核电机组i所允许的最大出力。

19、优选地，火电机组的发电成本计算如下：

20、

21、其中，ai、bi、ci为火电机组的运行成本相关系数，表示火电机组i在时段t的出力大小；

22、对进行投影变换，得到

23、

24、其中，pit,max、pit,min为火电机组i出力的上下限；ui,t为火电机组i在时段t的状态变量，“1”表示运行，“0”表示停机；

25、则表示为：

26、

27、

28、

29、

30、火电机组启动成本

31、其中，为火电机组i的热启动成本；为火电机组i启动成本中超过热启动成本的部分；vi,t为火电机组i在时段t的启动状态，机组启动为1，否则为0；

32、火电机组的日内计划发电量约束：

33、

34、核电机组的日内计划发电量约束：

35、

36、其中，tday为日内计划的时段数；分别为火电机组i、核电机组i的日内计划电量上限；分别为火电机组i、核电机组i的日内计划电量下限。

37、优选地，所述风光水火核储电源运行约束具有如下：

38、(1)风电运行约束：

39、

40、(2)光电运行约束：

41、

42、(3)水电运行约束：

43、a.抽水蓄能电站的状态约束：

44、

45、其中，为表示抽水蓄能电站蓄能状态的二元变量，电站处于蓄能状态时为1，否则为0；为表示抽水蓄能电站发电状态的二元变量，电站处于发电状态时为1，否则为0；

46、b.抽水蓄能电站的发电电量约束和抽水电量约束：

47、

48、

49、其中，pth,in为抽水蓄能电站在时段t的抽水所用电量；phin,max、phin,min分别为抽水蓄能电站单个时段抽水蓄能所用电量的上下限；pth,out为抽水蓄能电站在时段t的输出电量；phout,max、phout,min分别为抽水蓄能电站单个时段放水发电输出电量的上下限；

50、c.抽水蓄能电站的库容约束：

51、vmin≤vt≤vmax；

52、

53、其中，vt为抽水蓄能电站在时段t的库容；vmax、vmin分别为抽水蓄能电站库容的上下限；vt+1为抽水蓄能电站在时段t+1的库容；ηin、ηout分别为抽水蓄能电站库容的抽水效率和发电效率；

54、(4)火电运行约束：

55、a.火电机组二元变量逻辑约束：

56、vi,t-wi,t＝ui,t-ui,t-1；

57、其中，wi,t火电机组i在时段t的关机状态，机组关机为1，否则为0；

58、b.初始状态约束：

59、ui,t＝ui,0，t∈[1,…,ui+li]；

60、ui＝[min[t,ui,0(ton,i-ti,0)]]+；

61、li＝[min[t,(1-ui,0)(toff,i+ti,0)]]+；

62、其中，ui,0为火电机组i在初始时段，即调度周期开始前的一个时段的状态，“1”表示运行，“0”表示停机；ui表示火电机组i在初始时刻仍需运行的时间，li表示火电机组i在初始时刻仍需停机的时间；t为调度总时段数，[·]+表示max(0,·)；ton,i表示火电机组i的最小开机时间；toff,i表示火电机组i的最小关机时间；ti,0表示火电机组i在调度周期开始前已经保持连续开机或关机的时段数；火电机组i在调度周期开始前已经保持连续开机时ti,0为正，保持连续关机时ti,0为负；

63、c.最小开机、停机约束：

64、

65、

66、d.启动成本约束：

67、

68、其中，为火电机组i的冷启动成本；为火电机组i的热启动成本；tcold,i为火电机组i的冷启动时间；finit,i,t是一个常量，如果τ-toff,i-tcold,i≤0且[-ti,0]+＜|τ-toff,i-tcold,i-1|+1，则finit,i,t＝1，表示火电机组i在t时段开始不属于冷启动，否则finit,i,t＝0，表示火电机组i在t时段开始属于冷启动；

69、e.火电机组出力上、下限约束：

70、根据多源协同电力系统基础数据，将机组出力上界/下界投影到0～1，构造投影的机组出力连续变量，并建立机组出力上、下限约束：

71、

72、

73、

74、

75、

76、其中，pit,up表示火电机组i的向上爬坡速率；表示火电机组i进行投影变换后的向上爬坡速率；pit,down表示火电机组i的向下爬坡速率；表示火电机组i进行投影变换后的向下爬坡速率；pit,start表示火电机组i开机时的最小出力值；表示火电机组i进行投影变换后的在开机时的最小出力值；pit,shut表示火电机组i关机时的最大出力值；表示火电机组i进行投影变换后的在关机时的最大出力值；表示火电机组i的最大出力值；表示火电机组i的最小出力值；

77、f.火电机组爬坡约束：

78、

79、

80、(5)核电运行约束：

81、将核电安全调峰深度范围均分为nk档，则核电机组i第k档调峰深度为：

82、

83、其中，pin,max为核电机组i所允许的最小出力；

84、核电机组i第k档调峰深度下低功率阶段的核电出力为：

85、

86、ui,k,j,t为核电机组i在t时段第k档调峰深度第j个状态升降功率运行状态变量，每档调峰深度下均有3个升/降功率状态，其对应的核电出力为：

87、

88、核电出力可线性表示为：

89、

90、其中，hi,t为核电机组i在t时段额定功率运行状态变量；li,k,t为核电机组i在第k档调峰深度在t时段低功率运行状态变量；

91、b.运行状态变量约束：

92、

93、c.功率升降时间为2h时运行状态变量耦合约束：

94、hi,t+1≥li,k,t-1+ui,k,2,t-1；

95、li,k,t+1≥hi,t-1+ui,k,2,t-1；

96、d.功率升降时间为3h时运行状态变量耦合约束：

97、hi,t+1≥ui,k,1,t-1+ui,k,3,t-1；

98、li,k,t+1≥ui,k,3,t-1+ui,k,1,t-1；

99、ui,k,1,t+1≥hi,t-1+ui,k,3,t-1；

100、ui,k,3,t+1≥li,k,t-1+ui,k,1,t-1；

101、e.核电机组额定功率、低功率运行时间约束：

102、

103、

104、其中，分别为核电机组i满功率最小持续运行时间和低功率最小持续运行时间；hi,x为核电机组i在x时段额定功率运行状态变量；li,k,t为核电机组i在第k档调峰深度在x时段低功率运行状态变量；

105、(6)电池储能电站运行约束：

106、a.充放电状态约束：

107、电池储能实际上有三种充放电状态，即充电状态、放电状态和待机状态。在任意调度时段t，电池储能只能处于一种充放电状态，即：

108、uc,t+ud,t≤1

109、其中，uc,t、ud,t分别表示电池储能电站充放电状态的二元变量；电站充电时uc,t为1，否则为0；电池放电时ud,t为1，否则为0；

110、b.充放电功率约束：

111、0≤pc,t≤uc,tpc,max；

112、0≤pd,t≤ud,tpd,max；

113、其中，pc,t、pd,t分别表示电池储能电站在时段t的充电功率和放电功率；pc,max、pd,max分别表示电池储能电站的最大充电功率和最大放电功率；

114、c.能量约束：

115、电池过充过放会缩短其循环寿命，因此，在任意调度时段，电池储能电站的能量应在其允许的能量范围内；为保证电池储能电站调度的可持续性，调度周期结束时储能的能量应修复至初始值，即：

116、eb,t+1＝eb,t+ηcpc,tδt-pd,tδt/ηd；

117、eb,min≤eb,t≤eb,max；

118、eb,t＝eb,0；

119、其中，eb,t为电池储能电站在时段t的剩余能量；ηc、ηd分别表示电池储能电站的充放电效率；δt为调度计划的时段所对应的时间长度；eb,max、eb,min分别表示电池储能电站剩余能量的上下限值；eb,t表示调度周期结束时电池储能电站的剩余能量；eb,0表示电池储能电站的初始剩余能量；

120、旋转备用约束具体如下：

121、

122、

123、其中，为系统在第t时段对正的旋转备用的需求值；为系统在第t时段对负的旋转备用的需求；

124、功率平衡约束为：

125、

126、其中，ptd为时段t的系统负荷电量预测值。

127、优选地，所述图卷积神经网络的结构具体如下：

128、输入层：

129、

130、其中是包含可学习参数的函数；n是二部图v节点的数量，m是二部图c节点的数量；分别表示第i个变量以及第j个约束的输入数据；分别表示第i个变量以及第j个约束在图卷积神经网络第一层的特征；

131、第二层：

132、

133、

134、其中是包含可学习参数的函数；表示连接第i个变量以及第j个约束这条边的特征；

135、分别表示第i个变量以及第j个约束在图卷积神经网络第二层的特征；

136、第三层：

137、

138、

139、其中是包含可学习参数的函数；分别表示第i个变量以及第j个约束在图卷积神经网络第三层的特征；

140、输出层：

141、

142、sigmoid(x)＝(1+e-x)-1用来将实数空间映射到0-1之间，包含可学习参数，用于将降为至一维，作为最终的输出；表示第i个变量在图卷积神经网络输出层的特征。

143、优选地，所述步骤s2中对日内计划预测模型和滚动计划预测模型进行训练时采用的损失函数为二值交叉熵函数；具体如下：

144、

145、其中，n为机组的总数，t为时段的总数；log是以自然数e为底的对数函数；最优调度计划是y，yi,t表示最优调度计划中第i个发电机在第t个时段的开关机状态；预测得到的调度计划是x，xi,t表示预测得到的调度计划中第i个发电机在第t个时段的开关机状态。

146、优选地，所述步骤s3/s4中还包括：

147、通过可行性修复保证预测得到的日内计划模型的调度计划/动计划模型的调度计划的质量，可行性修复具体如下：

148、假设是预测得到的调度计划，u是多源协同电力系统调度模型中各机组各时段的开关机状态；

149、在多源协同电力系统调度模型中引入新的变量α并且添加约束，变量α的数量与u的数量一致；添加的约束具体如下：

150、

151、

152、

153、其中k是邻域的大小；n为机组的总数，t为时段的总数；αi表示ui的变化状态，若αi为1，否则为0；初始化k的值，求解调度计划，若无法得到可行解则不断增大k的值，直到得到可行解。

154、一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度系统，应用于所述的方法，包括：

155、多源协同电力系统调度模型建立模块，用于建立多源协同电力系统调度模型，包括以1小时为时段、以1天为周期的日内计划模型，以及以15分钟为时段、三小时为周期的滚动计划模型；并将日内计划模型、滚动计划模型分别转化为混合整数规划模型；将需要求解的日内计划模型建模成二部图；

156、预测模型建立模块，用于建立日内计划预测模型和滚动计划预测模型，采集历史的日内计划负荷数据和历史的滚动计划负荷数据，分别生成数据集对日内计划预测模型和滚动计划预测模型进行训练，得到训练好的日内计划预测模型和训练好的滚动计划预测模型，分别用来预测日内计划模型的调度计划和滚动计划模型的调度计划；所述日内计划预测模型和滚动计划预测模型皆采用图卷积神经网络；

157、日内计划预测模块，用于将需要求解的日内计划模型建模成二部图，通过训练好的日内计划预测模型预测日内计划模型的调度计划，得到各发电机组的发电计划，将预测为开机的机组在滚动计划预测模型的对应时段固定为开机，通过添加机组的开机时段约束实现，预测为关机的机组不做任何操作；

158、滚动计划预测模块，用于将添加机组的开机时段约束的滚动计划模型建模成二部图，通过训练好的滚动计划预测模型预测滚动计划模型的调度计划，将预测为开机的机组在后续滚动计划模型的对应时段作为约束固定；

159、输出模块，用于输出最终的调度计划。

160、一种基于二部图-图卷积神经网络的多源协同电力系统滚动调度设备，所述设备包括：

161、存储有可执行程序代码的存储器；

162、与所述存储器耦合的处理器；

163、所述处理器调用所述存储器中存储的所述可执行程序代码，执行所述的基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法。

164、一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述的基于二部图-图卷积神经网络的多源协同电力系统滚动调度方法。

165、与现有技术相比，本发明的有益效果为：本发明通过将多源协同电力系统调度模型转化为混合整数规划模型，将二部图与图卷积神经网络相结合，先是建立日内计划预测模型和滚动计划预测模型并进行训练，通过训练好的日内计划预测模型预测日内计划模型的调度计划，得到各发电机组的发电计划，将预测为开机的机组在滚动计划预测模型的对应时段固定为开机，通过添加机组的开机时段约束实现，将添加机组的开机时段约束的滚动计划模型建模成二部图，通过训练好的滚动计划预测模型预测滚动计划模型的调度计划，将预测为开机的机组在后续滚动计划模型的对应时段作为约束固定，然后输出最终的调度计划。本发明采用机器学习的方法提高获得调度计划的速度，从而让电力公司缩短时间间隔，制定与实际负荷匹配度更高的调度计划，从而提高多源协同电力系统消纳弃风弃光的能力。