基于深度學習和蒙特卡洛樹搜索的機組恢復在線決策

孫潤稼, 劉玉田

(電網智能化調度與控制教育部重點實驗室(山東大學), 山東省濟南市 250061)

0 引言

大停電后,機組恢復是整個電力系統恢復的基礎和保障,機組的快速恢復能夠加快系統恢復進程,縮短負荷停電時間[1]。機組恢復過程中,調度員通過選取所需投入的輸電線路建立從黑啟動電源向重要非黑啟動機組的供電路徑,實現機組的逐臺恢復[2]。合理的機組恢復策略對于調度員具有很大的指導作用,能夠有效提高恢復效率。在系統恢復初期,由于停電區域和停電原因等的不確定性,電力系統的初始網架形態難以預測[3]。恢復過程中,受環境因素和人為因素等的影響,輸電線路的恢復時間和可用性也可能與預想不符[4]。因此,機組恢復策略需要根據電力系統恢復情況,考慮恢復過程中的不確定性,實時決策所需采取的恢復措施。

國內外許多學者采用不同的思路,對于機組恢復優化決策問題進行了大量研究。在早期,將基于知識庫的專家系統用于電力系統恢復中[5],但對于大規模電力系統難以建立一個完美的知識庫。作為專家系統的擴展,在電力系統恢復中引入了決策支持系統[6],該方法可以對備選恢復方案進行排序,但難以獲得足夠多的備選方案。為了獲得最優的機組恢復方案,一些優化算法被引入機組恢復中。文獻[7]以一段時間內機組發電能力最大化為目標,采用回溯算法進行求解。文獻[8]采用同樣的目標函數,并將機組恢復問題轉化為混合整數線性規劃問題進行求解。……