CN114709880A - 目标电网中机组的控制方法、系统、存储介质及处理器 - Google Patents

目标电网中机组的控制方法、系统、存储介质及处理器 Download PDF

Info

Publication number
CN114709880A
CN114709880A CN202210627043.7A CN202210627043A CN114709880A CN 114709880 A CN114709880 A CN 114709880A CN 202210627043 A CN202210627043 A CN 202210627043A CN 114709880 A CN114709880 A CN 114709880A
Authority
CN
China
Prior art keywords
target
unit
power grid
units
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210627043.7A
Other languages
English (en)
Other versions
CN114709880B (zh
Inventor
王光磊
王孟昌
叶俊
印卧涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Damo Institute Hangzhou Technology Co Ltd
Original Assignee
Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Damo Institute Hangzhou Technology Co Ltd filed Critical Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority to CN202210627043.7A priority Critical patent/CN114709880B/zh
Publication of CN114709880A publication Critical patent/CN114709880A/zh
Application granted granted Critical
Publication of CN114709880B publication Critical patent/CN114709880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种目标电网中机组的控制方法、系统、存储介质及处理器。其中，该方法包括：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。本发明解决了相关技术中目标求解器的求解速度较慢的技术问题。

Description

目标电网中机组的控制方法、系统、存储介质及处理器
技术领域
本发明涉及目标电网的机组控制领域，具体而言，涉及一种目标电网中机组的控制方法、系统、存储介质及处理器。
背景技术
目前，业界对于安全约束的机组的组合（SCUC）主要依赖于海外求解器，其中，使用海外求解器进行求解会导致求解速度较慢，并且海外求解器在求解过程中一般是将求解器作为黑盒使用，其难以动态校验约束的满足行，难以有效的更改约束，会使整个整数变量松弛掉，导致求解速度较慢。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标电网中机组的控制方法、系统、存储介质及处理器，以至少解决相关技术中目标求解器的求解速度较慢的技术问题。
根据本发明实施例的一个方面，提供了一种目标电网中机组的控制方法，包括：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
根据本发明实施例的一个方面，提供了一种目标电网中机组的控制方法，包括：响应作用于操作界面上的输入指令，在操作界面上显示目标电网的目标机组启停变量和目标负荷数据；响应作用于操作界面上的求解指令，在操作界面上显示目标控制参数，其中，目标控制参数通过第一可行解、目标负荷数据和第一约束条件得到，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；响应作用于操作界面上的控制指令，在操作界面上显示目标电网中多个机组的运行状态，其中，目标电网中多个机组的运行状态通过目标控制参数和目标负荷数据控制得到。
根据本发明实施例的一个方面，提供了一种目标电网中机组的控制方法，包括：云服务器获取目标电网的目标机组启停变量和目标负荷数据；云服务器对目标机组启停变量进行求解，得到第一可行解；云服务器基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；云服务器基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
根据本发明实施例的一个方面，提供了一种目标电网中机组的控制方法，包括：在虚拟现实VR设备或增强现实AR设备的呈现画面上展示目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态；驱动VR设备或AR设备在呈现画面上展示目标电网中多个机组的运行状态。
根据本发明实施例的一个方面，提供了一种目标电网中机组的控制系统，包括：目标求解器，用于对目标机组启停变量进行求解，得到第一可行解，并基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；控制器，用于根据目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
根据本发明实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例中任意一项的方法。
根据本发明实施例的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述实施例中任意一项的方法。
通过上述步骤，可以先获取目标电网的目标机组启停变量和目标负荷数据，可以对目标机组启停变量进行求解，得到第一可行解；可以基于第一可行解、目标负荷数据和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，实现了提高对目标电网的变量的求解速度，能够快速得到用于控制目标电网中多个机组的运行状态。容易注意到的是，在利用目标求解器对机组启停变量进行求解，得到第一可行解后，可以通过增加第一约束条件来提高后续的求解过程，使得从第一可行解中得到效果最好的解，从而得到目标控制参数，以便于根据目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，进而解决了相关技术中目标求解器的求解速度较慢的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本申请实施例的一种用于实现目标电网中的机组的控制方法的计算机终端（或移动设备）的硬件结构框图；
图2是根据本发明实施例1的目标电网中机组的控制方法的流程图；
图3是根据本申请实施例的一种第一神经网络的示意图；
图4是根据本申请实施例的一种第二神经网络的示意图；
图5是根据本申请实施例的另一种目标电网中机组的控制方法的流程图；
图6是根据本申请实施例2的一种目标电网中机组的控制方法的流程图；
图7是根据本申请实施例3的一种目标电网中机组的控制方法的流程图；
图8是根据本申请实施例4的一种目标电网中机组的控制方法的流程图；
图9是根据本申请实施例5的一种模型部署装置的示意图；
图10是根据本申请实施例6的一种模型部署装置的示意图；
图11是根据本申请实施例7的一种目标电网中机组的控制装置的示意图；
图12是根据本申请实施例8的一种目标电网中机组的控制装置的示意图；
图13是根据本申请实施例的一种用于实现目标电网中机组的控制方法的硬件环境示意图；
图14是根据本申请实施例的另一种用于实现目标电网中机组的控制方法的硬件环境示意图；
图15是根据本发明实施例的一种计算机终端的结构框图；
图16是根据本申请实施例12的一种目标电网的电力计划生成方法的流程图；
图17是根据本申请实施例13的一种目标电网的电力计划生成装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
安全约束下考虑网络拓扑的机组组合（Security constrained unit commitmentwith network constraints，简称为SCUC）:是制定电力系统机组启停及出力计划的基础，对保障电力系统的安全经济运行发挥着极其重要的作用。它基于电力系统的负荷预测值，在满足电网各类约束条件的前提下，在调度期间内确定各时段所有发电机组的开停机状态和计划出力，使得系统运行成本最小。SCUC已广泛应用于电力系统规划、电力系统节能调度和电力市场出清。
安全校核:对检修计划、发电计划、市场出清结果和电网运行操作等内容，从电力系统运行安全角度分析其安全性和电力平衡的过程。现货电能量市场交易的安全校核 与市场出清同步进行，市场出清结果需要满足电网安全稳定运行以及电力电量平衡要求。
必开机组、必停机组:在市场出清时强制设置运行或停运状态的机组或机组群。
最小连续开机时间:机组开机后，距离下一次停机至少需要连续运行的时间，单位为小时。
最小连续停机时间:机组停机后，距离下一次开机至少需要连续停运的时间，单位为小时。
电网安全约束:电力调度机构基于所掌握的运行日基础边界条件，提出各自调管范围内的电网安全约束，作为现货电能量市场优化出清的边界条件。各电力调度机构安全约束条件存在相互影响的情况时，应相互通报并协调一致。电网安全约束边界条件包括但不限于线路极限功率、断面极限功率、发电机组(群)必开必停约束、发电机组(群) 出力上下限约束等。
割平面:割平面技术是整数规划过程中，用于加速分支定界算法的算法, 常见的割平面有格莫瑞（Gomory）割平面,混合整数圆整(MIR)割平面,背包割平面。
目前，安全约束机组组合问题是制定电力系统机组启停及出力计划的基础，对保障电力系统的安全经济运行发挥着极其重要的作用，也是提高可再生能源发电消耗能力的重要基础。该问题是国际公认的算法难题(NP-难问题)。一方面严格的数学求解难以在短时间内得到较优解和可行解。另一方面现有的依赖于机器学习的解决方案产出的整数解难以保障约束的可行性。本方案结合机器学习和传统的分支优化算法，提出一种在短时间内有效产出高质量可行解的方案。该方案的优势在于相比于传统分支定界法更加高效快速，相比于机器学习算法又能够可行性和高质量的保障。
安全约束机组组合对应的数学模型可以为混合整数规划（Mixed IntegerProgramming, MIP）问题，一般采用基于分支定界框架的求解器进行求解。影响SCUC求解速度的主要原因是0-1变量众多和网络安全约束复杂。0-1变量众多导致分支定界求解过程中的搜索节点数过多，而复杂的网络约束给混合整数规划问题带来大量稠密的约束矩阵，影响了SCUC问题的求解效率。随着现代电力系统规模的不断扩大以及电力市场改革的不断推进，现有的求解方法难以满足SCUC问题的快速求解要求。
目前业界对SCUC问题的求解主要有两类。一类依赖人工经验，对部分机组的启停进行启发式固定，另一类依赖海外求解器的解决方案。第一类方法由于严重依赖人工经验，丧失了问题的较优性。第二类方法则难以保证在短时间内算法收敛。
本申请与现有方案的实质区别以及本申请的有益效果如下：
1.本申请考虑到网络流约束、安全校验约束、必开机组、必停机组约束，电网直流约束，且在数学上可以严格保障约束的满足行，但是现有的公开的启发式算法，机器学习算法和强化学习算法的方案难以保障上述所有约束的可行性。
2本申请能够支持预先和动态的生成满足机组组合和拓扑约束的割平面，加速求解过程。然而现有的基于求解器的算法方案虽然考虑到了约束，但都是将求解器中的分支界定算法作为黑盒使用，没有动态的更改这部分的算法过程，从而相比于本申请，现有方案的求解效率低下，难以满足实际大规模电网调度需求。
3.本申请能够支持惰性约束的添加和删除方式，进一步提高求解性能。其他求解方案通常将求解器作为黑盒使用，难以动态校验约束的满足行，从而添加有效约束和删除冗余约束，进而即使将整数变量松弛掉，求解速度也很慢。
另外，本申请可以利用电力系统的物理特性以及历史负荷数据，利用机器学习的图神经网络预先生成一部分临断面内调峰机组调整割平面，从而达到减小搜索空间的目的。并在此基础上添加缩小混合整数规划问题分支定界的搜索空间，从而加速SCUC问题的求解。
实施例1
根据本发明实施例，还提供了一种目标电网中的机组的控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现目标电网中的机组的控制方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的目标电网中的机组的控制方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标电网中的机组的控制方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备（或移动设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或移动设备）中的部件的类型。
在上述运行环境下，本申请提供了如图2所示的目标电网中机组的控制方法。图2是根据本发明实施例1的目标电网中机组的控制方法的流程图。如图2所示，该方法可以包括如下步骤：
步骤S202，获取目标电网的目标机组启停变量和目标负荷数据。
上述的目标电网中可以包含有多个机组，其中，多个机组中存在有开机概率较高的机组，开机概率一般的机组，以及开机概率较小的机组。
上述的目标机组启停变量用x进行表示，其用于表示多个机组中需要启动的机组和需要停止的机组。
上述的目标负荷数据可以是通过历史负荷数据得到的。其中，目标负荷数据可以是目标电网中各个机组的负荷边界，也即，最大能够负荷的工作量。
在一中可选的实施例中，可以根据对目标电网的控制需求确定求解的变量，对于目标电网一般是通过控制多个机组的启动和停止来确定最终的运行成本，因此，可以将目标机组的启停作为求解的变量，也即上述的目标机组启停变量。
在一种可选的实施例中，目标负荷数据可以是已知的数据，可以将目标负荷数据对机组启停变量进行求解，得到可行解，然后在具体控制目标电网中多个机组的运行状态时，可以结合目标控制参数和目标负荷数据对目标电网中多个机组的运行状态进行控制。
步骤S204，对目标机组启停变量进行求解，得到第一可行解。
上述的目标启停变量中可以包含有第一变量、第二变量、第三变量，其中，第一变量可以为开机概率较大的机组启停变量，第二变量可以为开机概率较小的机组启停变量，第三变量可以为难以判断的机组启停变量。
在一种可选的实施例中，可以利用目标求解器使用分支界定算法对第三变量进行求解，得到第一求解结果，以便提高第一求解结果的精确度，可以利用第一变量和第二变量构建割平面，利用目标求解器使用割平面法对构建的割平面进行求解，得到第二求解结果，以便提高第二求解结果的效率，在得到第二求解结果之后，可以利用目标求解器使用分支界定算法对第二求解结果继续进行求解，得到第三求解结果，以便得到第一变量和第二变量精确较高的求解结果，并基于第一求解结果和第三求解结果得到上述的第一可行解。
步骤S206，基于第一可行解和第一约束条件，得到目标控制参数。
其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数。
上述的第一约束条件用于加快求解的速度。
上述的第一可行解包含有多个断面，每个断面对应于一个可行解。
在一种可选的实施例中，由于每个断面中的开启的机组数量与负荷水平强相关，因此，可以通过添加约束条件来限制该断面下的开机数量范围，以便加快较优解的求解速度。可选的，可以根据目标负荷数据确定第一可行解中开机概率较大的机组的数量，然后在此基础上，从开机概率较大的机组数量中确定出实际开机的数量，并根据实际开机的数量确定上述的第一约束条件，以便与根据第一约束条件来缩小较优解的求解范围，从而提高求解的效率。
在另一种可选的实施例中，可以根据第一约束条件和第一可行解构建割平面，并利用目标求解器使用割平面法对该割平面进行求解，得到目标解，其中，目标解为第一可行解中使用效果最好的解。可以根据该目标解确定出最终的运行计划，并确定最终运行计划对应的目标控制参数。
步骤S208，基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
在一种可选的实施例中，可以在获取到目标控制参数之后，结合上述的目标负荷数据对目标电网中多个机组的运行状态进行控制，根据该目标控制参数进行控制。可以使得目标电网中多个机组的运行成本较小。
在电力检测维修场景中，可以在电力系统出现故障的情况下，获取故障情况下目标电网的目标机组启停变量和目标负荷数据，对目标机组启停变量进行求解，得到第一可行解，可以根据第一可行解和第一约束条件确定出一个目标控制参数，可以根据该目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，以使的多个机组能够正常运行，减少由于故障带来的损失。
在电力负荷预测的场景中，可以先获取目标电网的目标机组启停变量，可以对目标机组启停变量进行求解，得到第一可行解，可以根据第一可行解和第一约束条件，得到目标控制参数，可以通过历史的负荷数据对该目标控制参数进行预测，得到目标负荷数据，可以根据该目标负荷数据和目标控制参数控制目标电网中多个机组的运行状态。
在另一种可选的实施例中，当前多个机组的运行状态可以实时同步到产品前端，如果有机组需要临时关闭，可以由用户在产品前端进行操作，便于对用户对机组的运行状态进行灵活操作，如果有些机组难以及时开启，可以由系统提供的可替换的机组反馈到产品前端，可以由用户进行选择，便于对出现故障的机组进行快速替换，提高了机组的运行效率。
通过上述步骤，可以先获取目标电网的目标机组启停变量和目标负荷数据，可以对目标机组启停变量进行求解，得到第一可行解；可以基于第一可行解、目标负荷数据和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，实现了提高对目标电网的变量的求解速度，能够快速得到用于控制目标电网中多个机组的运行状态。容易注意到的是，在利用目标求解器对机组启停变量进行求解，得到第一可行解后，可以通过增加第一约束条件来提高后续的求解过程，使得从第一可行解中得到效果最好的解，从而得到目标控制参数，以便于根据目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，进而解决了相关技术中目标求解器的求解速度较慢的技术问题。
本申请上述实施例中，对目标机组启停变量进行求解，得到第一可行解，包括：获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
在一种可选的实施例中，可以对目标电网对应的机组启停变量进行适应性的缩减，从而提高求解过程。
在另一种可选的实施例中，分类结果可以是根据开机概率分等级之后的结果，也即，分类结果中可以直接显示不同的等级，方便后续在求解时根据不同的等级对应的求解方式对目标机组启停变量进行求解，得到第一可行解。
在一种可选的实施例中，可以建立根据断面负荷预测机组启停状态的机器学习模型f：b→x，其输出可以理解为x=1的概率，可以通过如下表达式加速SCUC问题的求解，一种直接的方案是根据预测结果固定某些机组启停状态变量，从而减少SCUC问题的整数变量规模。可选的，可以通过下式进行表示：
Figure 997814DEST_PATH_IMAGE001
其中，
Figure 711692DEST_PATH_IMAGE002
表示难以判断的机组启停变量，我们将这类变量的求解交由后续的分 支界定算法来解决;
Figure 22588DEST_PATH_IMAGE003
=0表示大概率为 0 的机组启停变量，
Figure 152218DEST_PATH_IMAGE003
=1 表示大概率为 1的 机组启停变量，
Figure 497749DEST_PATH_IMAGE004
表示t时间的机组负荷，
Figure 116949DEST_PATH_IMAGE005
表示目标机组启停变量。
然而，变量缩减法的不一定能够保障求解的较优性和可行性，固定部分变量之后的可行域可能会将较优解排出在外，甚至可能空集，为此，需要对于固定的变量需要采用割平面的方法来动态的干预分支界定算法。
在一种可选的实施例中，可以根据目标机组启停变量与目标负荷数据之间的目标映射关系对目标机组启停变量进行分类，得到分类结果，对于不同类型的机组启停变量，可以采用不同的方法进行求解，从而能够提高求解效率。对于已经还未固定的机组启停变量，例如上述的
Figure 915141DEST_PATH_IMAGE002
，可以利用目标求解器使用分支界定法继续进行求解，对于已经固定的机组启停变量，例如上述的
Figure 848462DEST_PATH_IMAGE003
=0和
Figure 314078DEST_PATH_IMAGE003
=1，可以利用目标求解器使用割平面法进行快速求解，以便快速的得到较优解。
本申请上述实施例中，基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解，包括：基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；基于第一变量、第二变量和目标超参数构建第一割平面；基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
上述的第一预设阈值和第二预设阈值可以根据需求自行设定。
在一种可选的实施例中，可以根据分类结果确定出目标机组启停变量中的不同类型的变量，可以根据开机概率较大的第一变量和开机概率较小的第二变量以及超参数𝜙构建第一割平面，以便于目标求解器采用割平面法对第一割平面进行求解，能够提高求解的效率。对于难以确定开机概率的第三变量，可以使用目标求解器采用分支界定法对第三变量进行求解，以便找到第三变量对应的可行解，提高解的可行性，可以在使用目标求解器求解完成后，得到第一可行解。
上述的目标超参数可以为实时调节的参数，通过调节超参数可以将搜索的范围逐渐减小。
在另一种可选的实施例中，第一变量、第二变量和目标超参数构建的第一割平面可以通过如下公式进行表示：
Figure 838600DEST_PATH_IMAGE006
其中，w用于表示第一变量的取值，v用于表示第二变量的取值，𝜙为目标超参数，表示允许偏离预测值的变量个数。这一割平面限制了搜索空间，𝜙越小，搜索空间越小。当𝜙=0时，第三变量被固定。
上述割平面将所有调度时段下所有机组的启停状态变量聚集于一个约束，当且仅当右手项𝜙较小时会有比较明显的加速效果。
在另一种可选的实施例中，为了保障算法的较优性，可以在找到第一可行解的同时，将第一可行解作为目标求解器的初始解，然后加上当前分支界定的全局割平面，重新启动目标求解器采用分支界定法对第一可行解进行求解。
本申请上述实施例中，基于第一可行解和第一约束条件，得到目标控制参数，包括：利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；基于第二数量和第一误差确定第一约束条件；基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
在一种可选的实施例中，可以将目标负荷数据输入到第一神经网络中，通过第一神经网络可以得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值，也即，第一机组的开机概率较大，可以通过预先训练得到第一神经网络过滤掉那些在可行解范围内开机可能性较小的机组，以便减少求解的变量。
图3是根据本申请实施例的一种第一神经网络的示意图，其中，第一神经网络的输入是解的断面的目标负荷数据，也即图中所示的负荷特征，输出层中含有与调峰机组数相等的神经元，每个神元经激活后输出一台机组开机的概率。该网络由输入断面下的最优机组启停状态作为标签进行训练。最终，选择那些输出概率大于一个较小阈值(如0.1)的机组构成Ω。这一操作相当于过滤掉那些在当前断面下极不可能开机的机组。
进一步地，可以在第一机组的第一数量的基础上，利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为实际开机的机组，可以在第一神经网络输出的第一数量的基础上，继续进行搜索，以便得到最终实际开机的机组，从而提高搜索的精确度，并且可以提高搜索的效率。
图4是根据本申请实施例的一种第二神经网络的示意图，其中，第二神经网络的输入是解的断面的目标负荷数据，也即图中的负荷特征，输出层仅包含有一个神经元，表示该断面下应开启的机组的总数，该神经网络可以由输入断面下的实际开启调峰机组数量作为标签进行训练，在测试集上可以统计各样本的预测值与标签值之间的误差的均值（μ）与标准差（𝜎），也即上述的第一误差，可以根据该第一误差来确定一约束条件，也即，上述的第一约束条件，其中，第一约束条件的表达式可以如下：
Figure 327350DEST_PATH_IMAGE007
其中，
Figure 861100DEST_PATH_IMAGE008
和
Figure 118906DEST_PATH_IMAGE009
分别为可行解的上下界，μ-k𝜎和μ+k𝜎分别作为上下界的第一误差，nn（
Figure 345488DEST_PATH_IMAGE010
）为断面中的解。
在一种可选的实施例中，由于每个断面下开启的机组数量与负荷水平强相关,针对 SCUC问题,可以针对每个断面设计如下式的割平面来限制该断面下的开机数量范围，可以根据第一约束条件和第一可行解构建得到第二割平面，具体的表达式如下：
Figure 118272DEST_PATH_IMAGE011
可以通过目标求解器采用割平面法对第二割平面进行求解，得到最终的解，根据最终的解，可以得到上述的目标控制参数，以便于根据上述的目标控制参数结合目标负荷数据对目标电网中的各个机组的运行状态进行控制，从而减少目标电网中各个机组运行的成本。
需要说明的是，调峰机组开机数量的割平面，有助于目标求解器得到可行解，为了保证最终解的较优性，可以将上述的第二割平面作为产生可行解的callback（返回）函数。
本申请上述实施例中，该方法还包括：获取第一训练数据，其中，第一训练数据包括：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定实际开机机组和预测开机机组的均值和标准差；基于均值和标准差，确定第一误差。
在一种可选的实施例中，在确定第一误差时，可以根据训练第二神经网络的误差来确定上述的第一误差，可以先获取第一训练数据，其中，第一训练数据包括：多个第一样本机组的实际开机机组，利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组，可以根据实际开机机组和预测开机机组来判断第二神经网络的预测准确度，可选的，可以确定出实际开机机组和预测开机机组的均值和标准差，可以根据均值和标准差来确定出第一误差，以便于将该第一误差作为第一约束条件的误差，从而提高第二割平面建立的准确度。
本申请上述实施例中，获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，包括：获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；确定目标机组启停变量和目标负荷数据之间的目标映射关系。
在一种可选的实施例中，可以先获取历史时间段的历史负荷数据对应的高斯分布，其中高斯分布是目标电网中多个机组在不同运行状态下历史负荷与时间之间的分布，其中，不同的运行状态可以是启动状态和停止状态，可以根据高斯分布对历史负荷数据进行数据增强，得到目标负荷数据，以达到增加负荷数据的目的，并根据目标负荷数据确定出上述的目标映射关系，以便于后续在求解器所依据的数据量更加的充足，使得到的最终解的准确度更高。
在另一种可选的实施例中，电网中的负荷数据主要利用历史数据的积累，当历史数据不足的情况下，可以通过如下方式生成，首先给定测试系统内负荷在不同时间、不同空间上的高斯分布，例如，𝑏𝑖,𝑡∼𝑁(𝜇𝑖,𝑡,𝜎𝑖,𝑡),𝑖∈𝕃,𝑡∈𝕋，
其中，𝕃是负荷集合，𝕋是调度时段集合，𝜇𝑖,𝑡取为一个时间段内电网节点的负荷值，𝜎𝑖,𝑡取为均值的方差，可以根据历史数据生成。
可以从上述的高斯分布中采样出若干SCUC问题实例(例如，取为1000个)，构成用例集𝕀={𝜓𝑘(𝐴,𝑏𝑘,𝑐)|𝑏𝑘~𝑁(𝜇,𝜎)}，其中，𝐴为电网模型、𝑏为负荷边界、𝑐为机组参数的输入，可以通过对用例进行处理，决策一段时间内满足电网安全约束并且使得总运行成本最小化的机组启停计划𝑥与出力计划𝑧。
可以在后续使用标准求解工具求解上述用例，共计可以得到|𝕋|×|𝕀|组包含负荷𝑏与较优机组状态𝑥̂的断面。d.统计所有断面下各机组的开机率，将开机率大于99.99%的机组视为基荷机组(即常开机组)、开机率小于0.01%的机组视为备用机组(即常关机组)、其余机组视为调峰机组。
本申请上述实施例中，基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，包括：对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；对第一二叉树进行随机变异，得到多个变异子代；确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；确定目标变异子代在预设规则上的帕累托前沿；基于目标变异子代和帕累托前沿确定目标表达式；基于目标表达式确定目标电网中多个机组的运行状态。
上述的预设规则可以是二维目标，例如，满足精确度较高和复杂度较小。
在一种可选的实施例中，为了使得电网的控制规则容易被理解，可以使用符号回归方法拟合上述的目标负荷数据和目标控制参数，得到第一二叉树，其中，符号回归可以使用元启发算法，例如遗传算法、退火算法等。
在一种可选的实施例中，在基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态时，可以对目标负荷数据和目标控制参数进行拟合，得到第一二叉树，通过对第一二叉树进行随机变异，可以得到多个变异子代，以便于从多个变异子代中确定出损失较小的目标变异子代，并确定出该目标变异子代在精确度和复杂度较小的基础上的帕累托前沿，以便于能够选取得到最合适的拟合表达式（best tradeoff between loss andcomplexity），也即上述的目标表达式，可以根据该目标表达式来确定出目标电网中多个机组的运行状态，以便于提高控制的可解释性。
在另一种可选的实施例中，可以对第一对第一二叉树中的多个子树进行交换，得到多个变异子代，和/或，对第一二叉树中的多个节点进行增加或删除，得到多个变异子代。
本申请上述实施例中，对目标负荷数据和目标控制参数进行拟合，得到第一二叉树，包括：确定目标负荷数据为运算数搜索空间；确定常量符号为运算符搜索空间；基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
在一种可选的实施例中，这里以目标负荷数据为运算数搜索空间、以{+ − × ÷𝑖𝑓 ... 𝑒l𝑠𝑒}为运算符搜索空间，拟合了调峰机组的调度规则，这些调度规则的准确率在90% 左右，具有很强的可解释性，对于电网调度人员有显著的指导意义。例如，机组7的调度规则是“早上6点前，总负荷大于4824MW 则开机，否则关机;早上6点后， 总负荷大于5275MW则开机，否则关机”。
下面结合图5对本申请实施例的方案进行详细说明，图5是根据本申请实施例的另一种目标电网中机组的控制方法的流程图，该方法包括：
步骤S501，获取目标电网的目标机组启停变量；
步骤S502，对目标机组启停变量进行分类，得到第一变量、第二变量和第三变量；
步骤S503，基于第一变量和第二变量构建第一割平面；
步骤S504，利用目标求解器采用割平面法对第一割平面进行求解，并利用目标求解器采用分支界定法对第三变量进行求解，得到第一可行解；
在寻找第一可行解的过程中，可以通过增加平面参数φ来减少搜索的范围，从而提高求解的效率。
步骤S505，根据第一可行解判断是否需要继续求解，若是，执行步骤S506，若否，执行步骤S509；
步骤S506，根据第一可行解和第一约束条件构建第二割平面；
步骤S507，利用目标求解器采用割平面法对第二割平面进行求解，得到目标解；
在对第二割平面进行求解的过程中，可以通过callback函数的数量范围来确定搜索的范围，从而提高求解的效率。
步骤S508，确定目标解对应的控制参数为目标控制参数，并利用目标控制参数对目标电网中多个机组的运行状态进行控制；
步骤S509，确定第一可行解对应的控制参数为目标控制参数，并利用目标控制参数对目标电网中多个机组的运行状态进行控制。
需要补充的是，SCUC 问题是电网调度领域的一类重要问题:以电网模型𝐴、负荷边界𝑏、机组参数𝑐为输入，决策一段时间内满足电网安全约束并且使得总运行成本最小化的机组启停计划 𝑥 与出力计划𝑧，记为
Figure 127816DEST_PATH_IMAGE012
该问题的决策变量包括:机组启停(二值变量)、机组出力(连续变量)、其余 辅助变量(隐变量)，通常建模为以下形式:min开机成本＋发电成本＋启动成本；机组约束中包含有启停逻辑约束，出力上下限约束，爬坡上下限约束，最短开关约束，系统约束中包含有供需平衡约束，旋转备用约束，安全约束中包含有潮流模型约束，线路过载约束、预想故障约束。
在直流潮流(DC Flow)建模与机组发电成本曲线分段线性化(piece-wiselinear) 情况下，上述SCUC问题属于MILP问题，其求解难点包含以下两个方面:1.含整数变量，随着问题规模的扩大，MIP 求解难度超线性增长。2.安全约束数量多且稠密，建模时间极长，且严重拖 LP求解效率。
对于一个给定的电网(参数𝐴、𝑐 固定)，机组的最优计划由负荷𝑏唯一决定，即𝑥,z=𝜓(𝐴,𝑏,𝑐)退化为𝑥,z=𝜓(𝑏)。考虑到SCUC问题需要被日复一日地求解，且每日的负荷总是呈现出一定的规律，因此有可能利用机器学习的方法来提取历史数据中负荷与最优机组启停计划之间的知识(或者说，映射关系𝑓∶𝑏 ↦𝑥)。这些知识可以作为启发式方法、割平面方法来加速 SCUC问题的求解。
通过本申请的上述步骤，可以在预测式决策的基础上，加了可行性和较优性保障的步骤，可以有效提高求解器中算法的鲁棒性和计算效率。本申请结合机器学习和运筹算法，可以提出一种短时间内有效产出高质量可行解的方案，本申请中所采用的方法比传统求解方法更加高效快速;相比于机器学习算法又有可行性和高质量的保障。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例的方法。
实施例2
根据本申请实施例，还提供了一种目标电网中机组的控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图6是根据本申请实施例2的一种目标电网中机组的控制方法的流程图，如图6所示，该方法可以包括如下步骤：
步骤S602，响应作用于操作界面上的输入指令，在操作界面上显示目标电网的目标机组启停变量和目标负荷数据。
步骤S604，响应作用于操作界面上的求解指令，在操作界面上显示目标控制参数。
其中，目标控制参数通过第一可行解、目标负荷数据和第一约束条件得到，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；
步骤S606，响应作用于操作界面上的控制指令，在操作界面上显示目标电网中多个机组的运行状态。
其中，目标电网中多个机组的运行状态通过目标控制参数和目标负荷数据控制得到。
本申请上述实施例中，该方法还包括：获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
本申请上述实施例中，基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解，包括：基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；基于第一变量、第二变量和目标超参数构建第一割平面；基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
本申请上述实施例中，基于第一可行解和第一约束条件，得到目标控制参数，包括：利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；基于第二数量和第一误差确定第一约束条件；基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
本申请上述实施例中，该方法还包括：获取第一训练数据，其中，第一训练数据包括：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定实际开机机组和预测开机机组的均值和标准差；基于均值和标准差，确定第一误差。
本申请上述实施例中，获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，包括：获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；确定目标机组启停变量和目标负荷数据之间的目标映射关系。
本申请上述实施例中，基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，包括：对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；对第一二叉树进行随机变异，得到多个变异子代；确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；确定目标变异子代在预设规则上的帕累托前沿；基于目标变异子代和帕累托前沿确定目标表达式；基于目标表达式确定目标电网中多个机组的运行状态。
本申请上述实施例中，对目标负荷数据和目标控制参数进行拟合，得到第一二叉树，包括：确定目标负荷数据为运算数搜索空间；确定常量符号为运算符搜索空间；基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例，还提供了一种目标电网中机组的控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图7是根据本申请实施例3的一种目标电网中机组的控制方法的流程图，如图7所示，该方法可以包括如下步骤：
步骤S702，云服务器获取目标电网的目标机组启停变量和目标负荷数据。
步骤S704，云服务器对目标机组启停变量进行求解，得到第一可行解。
步骤S706，云服务器基于第一可行解和第一约束条件，得到目标控制参数。
其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数。
步骤S708，云服务器基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
本申请上述实施例中，云服务器对目标机组启停变量进行求解，得到第一可行解，包括：云服务器获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；云服务器基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；云服务器基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
本申请上述实施例中，云服务器基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解，包括：云服务器基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；云服务器基于第一变量、第二变量和目标超参数构建第一割平面；云服务器基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
本申请上述实施例中，云服务器基于第一可行解和第一约束条件，得到目标控制参数，包括：云服务器利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；云服务器基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；云服务器基于第二数量和第一误差确定第一约束条件；云服务器基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
本申请上述实施例中，该方法还包括：云服务器获取第一训练数据，其中，第一训练数据包括：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；云服务器利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；云服务器确定实际开机机组和预测开机机组的均值和标准差；云服务器基于均值和标准差，确定第一误差。
本申请上述实施例中，云服务器获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，包括：云服务器获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；云服务器基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；云服务器确定目标机组启停变量和目标负荷数据之间的目标映射关系。
本申请上述实施例中，云服务器基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，包括：云服务器对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；云服务器对第一二叉树进行随机变异，得到多个变异子代；云服务器确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；云服务器确定目标变异子代在预设规则上的帕累托前沿；云服务器基于目标变异子代和帕累托前沿确定目标表达式；云服务器基于目标表达式确定目标电网中多个机组的运行状态。
本申请上述实施例中，云服务器对目标负荷数据和目标控制参数进行拟合，得到第一二叉树，包括：云服务器确定目标负荷数据为运算数搜索空间；云服务器确定常量符号为运算符搜索空间；云服务器基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例，还提供了一种目标电网中机组的控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图8是根据本申请实施例4的一种目标电网中机组的控制方法的流程图，如图8所示，该方法可以包括如下步骤：
步骤S802，在虚拟现实VR设备或增强现实AR设备的呈现画面上展示目标电网的目标机组启停变量和目标负荷数据。
步骤S804，对目标机组启停变量进行求解，得到第一可行解。
步骤S806，基于第一可行解和第一约束条件，得到目标控制参数。
其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数。
步骤S808，基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
步骤S810，驱动VR设备或AR设备在呈现画面上展示目标电网中多个机组的运行状态。
本申请上述实施例中，对目标机组启停变量进行求解，得到第一可行解，包括：获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
本申请上述实施例中，基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解，包括：基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；基于第一变量、第二变量和目标超参数构建第一割平面；基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
本申请上述实施例中，基于第一可行解和第一约束条件，得到目标控制参数，包括：利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；基于第二数量和第一误差确定第一约束条件；基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
本申请上述实施例中，该方法还包括：获取第一训练数据，其中，第一训练数据包括：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定实际开机机组和预测开机机组的均值和标准差；基于均值和标准差，确定第一误差。
本申请上述实施例中，获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，包括：获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；确定目标机组启停变量和目标负荷数据之间的目标映射关系。
本申请上述实施例中，基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，包括：对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；对第一二叉树进行随机变异，得到多个变异子代；确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；确定目标变异子代在预设规则上的帕累托前沿；基于目标变异子代和帕累托前沿确定目标表达式；基于目标表达式确定目标电网中多个机组的运行状态。
本申请上述实施例中，对目标负荷数据和目标控制参数进行拟合，得到第一二叉树，包括：确定目标负荷数据为运算数搜索空间；确定常量符号为运算符搜索空间；基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
实施例5
根据本申请实施例，还提供了一种用于实施上述目标电网中机组的控制方法的目标电网中机组的控制装置，图9是根据本申请实施例5的一种模型部署装置的示意图，如图9所示，该装置包括：获取模块902、求解模块904、确定模块906、控制模块908。
其中，获取模块用于获取目标电网的目标机组启停变量和目标负荷数据；求解模块用于对目标机组启停变量进行求解，得到第一可行解；确定模块用于基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；控制模块用于基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
此处需要说明的是，上述获取模块902、求解模块904、确定模块906、控制模块908对应于实施例1中的步骤S202至步骤S208，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中，求解模块，包括：第一获取单元、分类单元、第一求解单元。
其中，第一获取单元用于获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；分类单元用于基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；第一求解单元用于基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
本申请上述实施例中，第一求解单元，包括：第一确定子单元、第一构建子单元、第一求解子单元。
其中，第一确定子单元用于基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；第一构建子单元用于基于第一变量、第二变量和目标超参数构建第一割平面；第一求解子单元用于基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
本申请上述实施例中，确定模块，包括：第一处理单元、第二处理单元，第一确定单元、第一构建单元、第二求解单元。
其中，第一处理单元用于利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；第二处理单元用于基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；第一确定单元用于基于第二数量和第一误差确定第一约束条件；第一构建单元用于基于第一约束条件和第一可行解构建第二割平面；第二求解单元用于基于目标求解器对第二割平面进行求解，得到目标控制参数。
本申请上述实施例中，该装置还包括：预测模块.
其中，获取模块还用于获取第一训练数据，其中，第一训练数据包括：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；预测模块还用于利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定模块还用于确定实际开机机组和预测开机机组的均值和标准差；确定模块还用于基于均值和标准差，确定第一误差。
本申请上述实施例中，第一获取单元，包括：第一获取子单元、数据增强子单元、第二确定子单元。
其中，第一获取子单元用于获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；数据增强子单元用于基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；第二确定子单元用于确定目标机组启停变量和目标负荷数据之间的目标映射关系。
本申请上述实施例中，控制模块，包括：拟合单元、变异单元、第二确定单元。
其中，拟合单元用于对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；变异单元用于对第一二叉树进行随机变异，得到多个变异子代；第二确定单元用于确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；第二确定单元还用于确定目标变异子代在预设规则上的帕累托前沿；第二确定单元还用于基于目标变异子代和帕累托前沿确定目标表达式；第二确定单元还用于基于目标表达式确定目标电网中多个机组的运行状态。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例，还提供了一种用于实施上述目标电网中机组的控制方法的目标电网中机组的控制装置，图10是根据本申请实施例6的一种模型部署装置的示意图，如图10所示，该装置包括：第一显示模块1002、第二显示模块1004、第三显示模块1006。
其中，第一显示模块用于响应作用于操作界面上的输入指令，在操作界面上显示目标电网的目标机组启停变量和目标负荷数据；第二显示模块用于响应作用于操作界面上的求解指令，在操作界面上显示目标控制参数，其中，目标控制参数通过第一可行解、目标负荷数据和第一约束条件得到，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；第三显示模块用于响应作用于操作界面上的控制指令，在操作界面上显示目标电网中多个机组的运行状态，其中，目标电网中多个机组的运行状态通过目标控制参数和目标负荷数据控制得到。
此处需要说明的是，上述第一显示模块1002、第二显示模块1004、第三显示模块1006对应于实施例2中的步骤S602至步骤S606，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例7
根据本申请实施例，还提供了一种用于实施上述目标电网中机组的控制方法的目标电网中机组的控制装置，图11是根据本申请实施例7的一种目标电网中机组的控制装置的示意图，如图11所示，该装置包括：获取模块1102、求解模块1104、确定模块1106、控制模块1108。
其中，获取模块用于通过云服务器获取目标电网的目标机组启停变量和目标负荷数据；求解模块用于通过云服务器对目标机组启停变量进行求解，得到第一可行解；确定模块用于通过云服务器基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；控制模块用于通过云服务器基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
此处需要说明的是，上述获取模块1102、求解模块1104、确定模块1106、控制模块1108对应于实施例3中的步骤S702至步骤S708，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例8
根据本申请实施例，还提供了一种用于实施上述目标电网中机组的控制方法的目标电网中机组的控制装置，图12是根据本申请实施例8的一种目标电网中机组的控制装置的示意图，如图12所示，该装置包括：第一显示模块1202、求解模块1204、确定模块1206、控制模块1208、驱动模块1210。
其中，第一显示模块用于在虚拟现实VR设备或增强现实AR设备的呈现画面上展示目标电网的目标机组启停变量和目标负荷数据；求解模块用于对目标机组启停变量进行求解，得到第一可行解；确定模块用于基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；控制模块用于基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态；驱动模块用于驱动VR设备或AR设备在呈现画面上展示目标电网中多个机组的运行状态。
此处需要说明的是，上述第一显示模块1202、求解模块1204、确定模块1206、控制模块1208、驱动模块1210对应于实施例4中的步骤S802至步骤S810，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
上述的目标电网中机组的控制装置对应的目标电网中机组的控制方法可以应用于如图13所示的由服务器102、AR-VR设备104所构成的硬件环境中，图13是根据本申请实施例的一种目标电网中机组的控制方法的硬件环境的示意图。如图13所示，服务器102通过网络与AR-VR设备104进行连接，可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网，上述AR-VR设备104可以为虚拟现实VR设备或者增强现实AR设备，其中，虚拟现实VR设备并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等。
可选地，AR-VR设备104包括：存储器、处理器和传输装置。存储器用于存储应用程序，该应用程序可以用于执行：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
该实施例的处理器可以通过传输装置调用上述存储器存储的应用程序以执行上述步骤。传输装置可以通过网络接收服务器发送的目标图像，也可以用于上述处理器与存储器之间的数据传输。
可选地，在AR-VR设备104中，带有眼球追踪的头戴式显示器(Head MountDisplay，简称为HMD)，该HMD头显中的屏幕，用于显示实时的画面，HMD中的眼球追踪模块，用于获取用户眼球的实时运动轨迹，跟踪系统，用于追踪用户在真实三维空间的位置信息与运动信息，计算处理单元，用于从跟踪系统中获取用户的实时位置与运动信息，并计算出用户头部在虚拟三维空间中的三维坐标，以及用户在虚拟三维空间中的视野朝向等。
图14是根据本发明实施例的另一种媒体文件的投放方法的硬件环境的示意图。如图14所示，AR-VR设备104与终端106相连接，终端106与服务器102通过网络进行连接，上述AR-VR设备104并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等，上述终端104并不限定于PC、手机、平板电脑等，服务器102可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网。
可选地，该实施例的AR-VR设备104与上述实施例中的作用相同，该实施例的终端可以用于执行：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，并向AR-VR设备104发送该运行状态，AR-VR设备104在接收到该检测结果之后将该运行状态显示出来。
可选地，该实施例的AR-VR设备104带有的眼球追踪的HMD头显与眼球追踪模块与上述实施例中的作用相同，也即，HMD头显中的屏幕，用于显示实时的画面，HMD中的眼球追踪模块，用于获取用户眼球的实时运动轨迹。该实施例的终端通过跟踪系统获取用户在真实三维空间的位置信息与运动信息，并计算出用户头部在虚拟三维空间中的三维坐标，以及用户在虚拟三维空间中的视野朝向。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例9
根据本申请实施例，还提供了一种目标电网中机组的控制系统，包括：目标求解器，用于对目标机组启停变量进行求解，得到第一可行解，并基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；控制器，用于根据目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例10
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行目标电网中机组的控制方法中以下步骤的程序代码：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
可选地，图15是根据本发明实施例的一种计算机终端的结构框图。如图15所示，该计算机终端A可以包括：一个或多个（图中仅示出一个）处理器、存储器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的目标电网中机组的控制方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标电网中机组的控制方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
可选的，上述处理器还可以执行如下步骤的程序代码：获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
可选的，上述处理器还可以执行如下步骤的程序代码：基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；基于第一变量、第二变量和目标超参数构建第一割平面；基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
可选的，上述处理器还可以执行如下步骤的程序代码：利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；基于第二数量和第一误差确定第一约束条件；基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
可选的，上述处理器还可以执行如下步骤的程序代码：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定实际开机机组和预测开机机组的均值和标准差；基于均值和标准差，确定第一误差。
可选的，上述处理器还可以执行如下步骤的程序代码：获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；确定目标机组启停变量和目标负荷数据之间的目标映射关系。
可选的，上述处理器还可以执行如下步骤的程序代码：对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；对第一二叉树进行随机变异，得到多个变异子代；确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；确定目标变异子代在预设规则上的帕累托前沿；基于目标变异子代和帕累托前沿确定目标表达式；基于目标表达式确定目标电网中多个机组的运行状态。
可选的，上述处理器还可以执行如下步骤的程序代码：确定目标负荷数据为运算数搜索空间；确定常量符号为运算符搜索空间；基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
采用本发明实施例，提供了一种目标电网中的机组的控制方法。可以先获取目标电网的目标机组启停变量和目标负荷数据，可以对目标机组启停变量进行求解，得到第一可行解；可以基于第一可行解、目标负荷数据和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，实现了提高对目标电网的变量的求解速度，能够快速得到用于控制目标电网中多个机组的运行状态。容易注意到的是，在利用目标求解器对机组启停变量进行求解，得到第一可行解后，可以通过增加第一约束条件来提高后续的求解过程，使得从第一可行解中得到效果最好的解，从而得到目标控制参数，以便于根据目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，进而解决了相关技术中目标求解器的求解速度较慢的技术问题。
本领域普通技术人员可以理解，图15所示的结构仅为示意，计算机终端也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌声电脑以及移动互联网设备（MobileInternet Devices，MID）、PAD等终端设备。图15其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图15中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图15所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。
实施例11
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的目标电网中的机组的控制方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标电网的目标机组启停变量和目标负荷数据；对目标机组启停变量进行求解，得到第一可行解；基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；基于第一变量、第二变量和目标超参数构建第一割平面；基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；基于第二数量和第一误差确定第一约束条件；基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定实际开机机组和预测开机机组的均值和标准差；基于均值和标准差，确定第一误差。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；确定目标机组启停变量和目标负荷数据之间的目标映射关系。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；对第一二叉树进行随机变异，得到多个变异子代；确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；确定目标变异子代在预设规则上的帕累托前沿；基于目标变异子代和帕累托前沿确定目标表达式；基于目标表达式确定目标电网中多个机组的运行状态。
可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定目标负荷数据为运算数搜索空间；确定常量符号为运算符搜索空间；基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
采用本发明实施例，提供了一种目标电网中的机组的控制方法。可以先获取目标电网的目标机组启停变量和目标负荷数据，可以对目标机组启停变量进行求解，得到第一可行解；可以基于第一可行解、目标负荷数据和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；基于目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，实现了提高对目标电网的变量的求解速度，能够快速得到用于控制目标电网中多个机组的运行状态。容易注意到的是，在利用目标求解器对机组启停变量进行求解，得到第一可行解后，可以通过增加第一约束条件来提高后续的求解过程，使得从第一可行解中得到效果最好的解，从而得到目标控制参数，以便于根据目标控制参数和目标负荷数据控制目标电网中多个机组的运行状态，进而解决了相关技术中目标求解器的求解速度较慢的技术问题。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例12
根据本申请实施例，还提供了一种目标电网的电力计划生成方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图16是根据本申请实施例12的一种目标电网的电力计划生成方法的流程图，如图16所示，该方法可以包括如下步骤：
步骤S1602，获取目标电网的目标机组启停变量和目标负荷数据。
步骤S1604，对目标机组启停变量进行求解，得到第一可行解。
步骤S1606，基于第一可行解和第一约束条件，得到目标控制参数。
其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；
步骤S1608，基于目标控制参数和目标负荷数据生成目标电力计划。
其中，目标电力计划用于确定目标电网中多个机组的运行状态。
本申请上述实施例中，对目标机组启停变量进行求解，得到第一可行解，包括：获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，目标机组启停变量用于表示目标电网中多个机组的运行状态；基于目标映射关系对目标机组启停变量进行分类，得到分类结果，其中，分类结果用于表示目标机组启停变量中不同类型的变量对应的机组的开机概率；基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解。
本申请上述实施例中，基于分类结果利用目标求解器对目标机组启停变量进行求解，得到第一可行解，包括：基于分类结果确定目标机组启停变量对应的第一变量、第二变量和第三变量，其中，第一变量用于表示目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，第二变量用于表示目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；基于第一变量、第二变量和目标超参数构建第一割平面；基于目标求解器对第一割平面和第三变量进行求解，得到第一可行解。
本申请上述实施例中，基于第一可行解和第一约束条件，得到目标控制参数，包括：利用第一神经网络对目标负荷数据进行处理，得到第一机组的第一数量，其中，第一机组的开机概率大于第一预设值；基于第一机组的第一数量利用第二神经网络对目标负荷数据进行处理，得到第二机组的第二数量，其中，第二机组为在运行过程中实际开机的机组；基于第二数量和第一误差确定第一约束条件；基于第一约束条件和第一可行解构建第二割平面；基于目标求解器对第二割平面进行求解，得到目标控制参数。
本申请上述实施例中，该方法还包括：获取第一训练数据，其中，第一训练数据包括：多个第一样本机组和多个第一样本机组的第一标签，第一标签用于表示第一样本机组的实际开机机组；利用第二神经网络对第一训练数据进行预测，得到第一样本机组的预测开机机组；确定实际开机机组和预测开机机组的均值和标准差；基于均值和标准差，确定第一误差。
本申请上述实施例中，获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，包括：获取历史负荷数据对应的高斯分布，其中，高斯分布用于表示目标电网中多个机组在不同运行状态下历史负荷与时间的分布；基于高斯分布对历史负荷数据进行数据增强，得到目标负荷数据；确定目标机组启停变量和目标负荷数据之间的目标映射关系。
本申请上述实施例中，基于目标控制参数和目标负荷数据生成目标电力计划，包括：对目标负荷数据和目标控制参数进行拟合，得到第一二叉树；对第一二叉树进行随机变异，得到多个变异子代；确定多个变异子代中的目标变异子代，其中，目标变异子代的拟合损失小于多个变异子代中除目标变异子代的拟合损失；确定目标变异子代在预设规则上的帕累托前沿；基于目标变异子代和帕累托前沿确定目标表达式；基于目标表达式确定目标电力计划。
本申请上述实施例中，对目标负荷数据和目标控制参数进行拟合，得到第一二叉树，包括：确定目标负荷数据为运算数搜索空间；确定常量符号为运算符搜索空间；基于运算数搜索空间和运算符搜索空间对目标控制参数进行拟合，得到第一二叉树。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例13
根据本申请实施例，还提供了一种用于实施上述目标电网的电力计划生成方法的目标电网的电力计划生成装置，图17是根据本申请实施例13的一种目标电网的电力计划生成装置的示意图，如图17所示，该装置1700包括：获取模块1702、求解模块1704、确定模块1706、生成模块1708。
其中，获取模块用于获取目标电网的目标机组启停变量和目标负荷数据；求解模块用于对目标机组启停变量进行求解，得到第一可行解；确定模块用于基于第一可行解和第一约束条件，得到目标控制参数，其中，第一约束条件用于表示通过目标电网中多个机组中第一机组和第二机组对目标机组启停变量进行约束，第一机组的开机概率大于第二机组的开机概率，目标控制参数用于表示目标电网的运行成本最小化的控制参数；生成模块用于基于目标控制参数和目标负荷数据生成目标电力计划，其中，目标电力计划用于确定目标电网中多个机组的运行状态。
此处需要说明的是，上述获取模块1702、求解模块1704、确定模块1706、生成模块1708对应于实施例12中的步骤S1602至步骤S1608，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种目标电网中机组的控制方法，其特征在于，包括：
获取目标电网的目标机组启停变量和目标负荷数据；
对所述目标机组启停变量进行求解，得到第一可行解；
基于所述第一可行解和第一约束条件，得到目标控制参数，其中，所述第一约束条件用于表示通过所述目标电网中多个机组中第一机组和第二机组对所述目标机组启停变量进行约束，所述第一机组的开机概率大于所述第二机组的开机概率，所述目标控制参数用于表示所述目标电网的运行成本最小化的控制参数；
基于所述目标控制参数和所述目标负荷数据控制所述目标电网中多个机组的运行状态。
2.根据权利要求1所述的方法，其特征在于，对所述目标机组启停变量进行求解，得到第一可行解，包括：
获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，所述目标机组启停变量用于表示所述目标电网中多个机组的运行状态；
基于所述目标映射关系对所述目标机组启停变量进行分类，得到分类结果，其中，所述分类结果用于表示所述目标机组启停变量中不同类型的变量对应的机组的开机概率；
基于分类结果利用目标求解器对所述目标机组启停变量进行求解，得到第一可行解。
3.根据权利要求2所述的方法，其特征在于，基于分类结果利用所述目标求解器对所述目标机组启停变量进行求解，得到第一可行解，包括：
基于所述分类结果确定所述目标机组启停变量对应的第一变量、第二变量和第三变量，其中，所述第一变量用于表示所述目标机组启停变量对应的多个机组中开机概率大于第一预设阈值的变量，所述第二变量用于表示所述目标机组启停变量对应的多个机组中开机概率小于第二预设阈值的变量；
基于所述第一变量、所述第二变量和目标超参数构建第一割平面；
基于所述目标求解器对所述第一割平面和所述第三变量进行求解，得到所述第一可行解。
4.根据权利要求2所述的方法，其特征在于，基于所述第一可行解和第一约束条件，得到目标控制参数，包括：
利用第一机组预测模型对所述目标负荷数据进行处理，得到第一机组的第一数量，其中，所述第一机组的开机概率大于第一预设值；
基于所述第一机组的第一数量利用第二机组预测模型对所述目标负荷数据进行处理，得到所述第二机组的第二数量，其中，所述第二机组为在运行过程中实际开机的机组；
基于所述第二数量和第一误差确定第一约束条件；
基于所述第一约束条件和所述第一可行解构建第二割平面；
基于所述目标求解器对所述第二割平面进行求解，得到所述目标控制参数。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取第一训练数据，其中，所述第一训练数据包括：多个第一样本机组和所述多个第一样本机组的第一标签，所述第一标签用于表示所述第一样本机组的实际开机机组；
利用第二神经网络对所述第一训练数据进行预测，得到所述第一样本机组的预测开机机组；
确定所述实际开机机组和所述预测开机机组的均值和标准差；
基于所述均值和所述标准差，确定第一误差。
6.根据权利要求2所述的方法，其特征在于，获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，包括：
获取历史负荷数据对应的高斯分布，其中，所述高斯分布用于表示所述目标电网中所述多个机组在不同运行状态下历史负荷与时间的分布；
基于所述高斯分布对所述历史负荷数据进行数据增强，得到目标负荷数据；
确定所述目标机组启停变量和所述目标负荷数据之间的所述目标映射关系。
7.根据权利要求1所述的方法，其特征在于，基于所述目标控制参数和所述目标负荷数据控制所述目标电网中多个机组的运行状态，包括：
对所述目标负荷数据和所述目标控制参数进行拟合，得到第一二叉树；
对所述第一二叉树进行随机变异，得到多个变异子代；
确定所述多个变异子代中的目标变异子代，其中，所述目标变异子代的拟合损失小于所述多个变异子代中除所述目标变异子代的拟合损失；
确定所述目标变异子代在预设规则上的帕累托前沿；
基于所述目标变异子代和所述帕累托前沿确定目标表达式；
基于所述目标表达式确定所述目标电网中多个机组的运行状态。
8.一种目标电网中机组的控制方法，其特征在于，包括：
响应作用于操作界面上的输入指令，在所述操作界面上显示目标电网的目标机组启停变量和目标负荷数据；
响应作用于所述操作界面上的求解指令，在所述操作界面上显示目标控制参数，其中，所述目标控制参数通过第一可行解、所述目标负荷数据和第一约束条件得到，所述第一约束条件用于表示通过所述目标电网中多个机组中第一机组和第二机组对所述目标机组启停变量进行约束，所述第一机组的开机概率大于所述第二机组的开机概率，所述目标控制参数用于表示所述目标电网的运行成本最小化的控制参数；
响应作用于所述操作界面上的控制指令，在所述操作界面上显示所述目标电网中多个机组的运行状态，其中，所述目标电网中多个机组的运行状态通过所述目标控制参数和所述目标负荷数据控制得到。
9.一种目标电网中机组的控制方法，其特征在于，包括：
云服务器获取目标电网的目标机组启停变量和目标负荷数据；
所述云服务器对所述目标机组启停变量进行求解，得到第一可行解；
所述云服务器基于所述第一可行解和第一约束条件，得到目标控制参数，其中，所述第一约束条件用于表示通过所述目标电网中多个机组中第一机组和第二机组对所述目标机组启停变量进行约束，所述第一机组的开机概率大于所述第二机组的开机概率，所述目标控制参数用于表示所述目标电网的运行成本最小化的控制参数；
所述云服务器基于所述目标控制参数和所述目标负荷数据控制所述目标电网中多个机组的运行状态。
10.一种目标电网的电力计划生成方法，其特征在于，包括：
获取目标电网的目标机组启停变量和目标负荷数据；
对所述目标机组启停变量进行求解，得到第一可行解；
基于所述第一可行解和第一约束条件，得到目标控制参数，其中，所述第一约束条件用于表示通过所述目标电网中多个机组中第一机组和第二机组对所述目标机组启停变量进行约束，所述第一机组的开机概率大于所述第二机组的开机概率，所述目标控制参数用于表示所述目标电网的运行成本最小化的控制参数；
基于所述目标控制参数和所述目标负荷数据生成目标电力计划，其中，所述目标电力计划用于确定所述目标电网中多个机组的运行状态。
11.根据权利要求10所述的方法，其特征在于，对所述目标机组启停变量进行求解，得到第一可行解，包括：
获取目标电网的目标机组启停变量和目标负荷数据之间的目标映射关系，其中，所述目标机组启停变量用于表示所述目标电网中多个机组的运行状态；
基于所述目标映射关系对所述目标机组启停变量进行分类，得到分类结果，其中，所述分类结果用于表示所述目标机组启停变量中不同类型的变量对应的机组的开机概率；
基于分类结果利用目标求解器对所述目标机组启停变量进行求解，得到第一可行解。
12.一种目标电网中机组的控制系统，其特征在于，包括：
目标求解器，用于对目标机组启停变量进行求解，得到第一可行解，并基于所述第一可行解和第一约束条件，得到目标控制参数，其中，所述第一约束条件用于表示通过所述目标电网中多个机组中第一机组和第二机组对所述目标机组启停变量进行约束，所述第一机组的开机概率大于所述第二机组的开机概率，所述目标控制参数用于表示所述目标电网的运行成本最小化的控制参数；
控制器，用于根据所述目标控制参数和目标负荷数据控制所述目标电网中多个机组的运行状态。
13.一种存储介质，其特征在于，所述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存储介质所在设备执行权利要求1至9中任意一项所述的方法。
14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至9中任意一项所述的方法。
CN202210627043.7A 2022-06-06 2022-06-06 目标电网中机组的控制方法、系统、存储介质及处理器 Active CN114709880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627043.7A CN114709880B (zh) 2022-06-06 2022-06-06 目标电网中机组的控制方法、系统、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627043.7A CN114709880B (zh) 2022-06-06 2022-06-06 目标电网中机组的控制方法、系统、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN114709880A true CN114709880A (zh) 2022-07-05
CN114709880B CN114709880B (zh) 2022-08-30

Family

ID=82177627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627043.7A Active CN114709880B (zh) 2022-06-06 2022-06-06 目标电网中机组的控制方法、系统、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN114709880B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115173488A (zh) * 2022-07-29 2022-10-11 国网江苏省电力有限公司经济技术研究院 基于驻点启停策略的电力系统机组组合可行解计算方法
CN115459366A (zh) * 2022-11-11 2022-12-09 阿里巴巴（中国）有限公司 电力系统中机组的控制方法、存储介质以及电子设备
CN118228948A (zh) * 2024-05-27 2024-06-21 山东大学 基于深度学习与数学物理模型的机组组合决策方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150051938A1 (en) * 2013-08-13 2015-02-19 Siemens Industry, Inc. Systems, methods and apparatus for optimizing fuel mix, fuel allocation and scheduling of generator resources
CN107545328A (zh) * 2017-08-24 2018-01-05 许继集团有限公司 一种光伏电站开机容量预测方法及系统
CN110471762A (zh) * 2019-07-26 2019-11-19 南京工程学院 一种基于多目标优化的云资源分配方法及系统
CN111463808A (zh) * 2020-05-21 2020-07-28 山东科技大学 一种计及概率风险备用传递的机组组合方法
CN112183855A (zh) * 2020-09-27 2021-01-05 中国南方电网有限责任公司 区域电力现货市场出清方法、装置和电子设备
CN112183892A (zh) * 2020-10-28 2021-01-05 中国南方电网有限责任公司 一种面向现货市场出清模型的起作用整数变量辨识方法
CN114066333A (zh) * 2022-01-17 2022-02-18 阿里巴巴达摩院(杭州)科技有限公司 数据处理方法及装置
CN114329317A (zh) * 2022-01-06 2022-04-12 国网河北省电力有限公司衡水供电分公司 基于混合发电机组的输出功率调度方法、装置及终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150051938A1 (en) * 2013-08-13 2015-02-19 Siemens Industry, Inc. Systems, methods and apparatus for optimizing fuel mix, fuel allocation and scheduling of generator resources
CN107545328A (zh) * 2017-08-24 2018-01-05 许继集团有限公司 一种光伏电站开机容量预测方法及系统
CN110471762A (zh) * 2019-07-26 2019-11-19 南京工程学院 一种基于多目标优化的云资源分配方法及系统
CN111463808A (zh) * 2020-05-21 2020-07-28 山东科技大学 一种计及概率风险备用传递的机组组合方法
CN112183855A (zh) * 2020-09-27 2021-01-05 中国南方电网有限责任公司 区域电力现货市场出清方法、装置和电子设备
CN112183892A (zh) * 2020-10-28 2021-01-05 中国南方电网有限责任公司 一种面向现货市场出清模型的起作用整数变量辨识方法
CN114329317A (zh) * 2022-01-06 2022-04-12 国网河北省电力有限公司衡水供电分公司 基于混合发电机组的输出功率调度方法、装置及终端
CN114066333A (zh) * 2022-01-17 2022-02-18 阿里巴巴达摩院(杭州)科技有限公司 数据处理方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
RICARDO FERNANDEZ BLANCO等: "Probabilistic security-constrained unit commitment with generation and transmission contingencies", 《2017 IEEE POWER & ENERGY SOCIETY GENERAL MEETING》 *
XIN ZHU等: "Security Constrained Unit Commitment with Extreme Wind Scenarios", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN》 *
卢锦玲等: "基于改进多目标粒子群算法的含风电场电力系统优化调度", 《电力系统保护与控制》 *
吉鹏等: "改进量子进化混合优化算法在溪洛渡电站机组组合中的应用研究", 《电力系统保护与控制》 *
李金茗等: "基于量子群搜索算法的机组组合问题的研究", 《广东电力》 *
翟俊义等: "一种降维求解机组组合问题的双重粒子群优化算法", 《华北电力大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115173488A (zh) * 2022-07-29 2022-10-11 国网江苏省电力有限公司经济技术研究院 基于驻点启停策略的电力系统机组组合可行解计算方法
CN115173488B (zh) * 2022-07-29 2023-11-24 国网江苏省电力有限公司经济技术研究院 基于驻点启停策略的电力系统机组组合可行解计算方法
CN115459366A (zh) * 2022-11-11 2022-12-09 阿里巴巴（中国）有限公司 电力系统中机组的控制方法、存储介质以及电子设备
CN115459366B (zh) * 2022-11-11 2024-02-27 阿里巴巴（中国）有限公司 电力系统中机组的控制方法、存储介质以及电子设备
CN118228948A (zh) * 2024-05-27 2024-06-21 山东大学 基于深度学习与数学物理模型的机组组合决策方法及系统
CN118228948B (zh) * 2024-05-27 2024-09-24 山东大学 基于深度学习与数学物理模型的机组组合决策方法及系统

Also Published As

Publication number Publication date
CN114709880B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114709880B (zh) 目标电网中机组的控制方法、系统、存储介质及处理器
Blanco et al. An efficient robust solution to the two-stage stochastic unit commitment problem
Hamian et al. A framework to expedite joint energy-reserve payment cost minimization using a custom-designed method based on mixed integer genetic algorithm
CN114637262A (zh) 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统
Toubeau et al. Machine learning-assisted outage planning for maintenance activities in power systems with renewables
Totaro et al. Lifelong control of off-grid microgrid with model-based reinforcement learning
Meng et al. An advanced real-time dispatching strategy for a distributed energy system based on the reinforcement learning algorithm
CN112330048A (zh) 评分卡模型训练方法、装置、存储介质及电子装置
EP3751496A1 (en) Method and system for building reinforcement learning (rl) based model for generating bids
Chung et al. Multi-area generation scheduling algorithm with regionally distributed optimal power flow using alternating direction method
CN111178537B (zh) 一种特征提取模型训练方法及设备
Ruelens et al. Demand side management of electric vehicles with uncertainty on arrival and departure times
US20190332070A1 (en) Adaptive mixed integer nonlinear programming for process management
Xiao et al. Multi-period data driven control strategy for real-time management of energy storages in virtual power plants integrated with power grid
Singhal et al. A novel strategy-based hybrid binary artificial bee colony algorithm for unit commitment problem
Owerko et al. Unsupervised optimal power flow using graph neural networks
Passath et al. A knowledge-based digital lifecycle-oriented asset optimisation
CN113642766B (zh) 一种电力系统站点停电数的预测方法、装置、设备及介质
CN114896216A (zh) 基于区块链的工业互联网数据存储方法、系统及电子设备
CN115542736A (zh) 设备控制方法、计算机可读存储介质以及计算机终端
CN115115279A (zh) 一种微电分区碳排放管理方法、系统、介质及设备
Safari et al. Optimal Unit Commitment of Power System Using Fast Messy Genetic Algorithm
Pham et al. PRICAI 2021: Trends in Artificial Intelligence: 18th Pacific Rim International Conference on Artificial Intelligence, PRICAI 2021, Hanoi, Vietnam, November 8–12, 2021, Proceedings, Part I
Mostafa et al. A compact mathematical formulation for problems with structured agent interactions
Bhambri et al. Big Data Analytics with Digital Twin for Industrial Applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant