(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111536810.5 (22)申请日 2021.12.15 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 申请人 国网江苏省电力有限公司电力科 学 研究院 (72)发明人 李远征　郭恒元　黄成　何尚洋　 赵勇　俞耀文　周前　田嘉晨　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 胡秋萍 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01)G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种考虑机组组合的多目标机组检修双层 优化方法和系统 (57)摘要 本发明公开了一种考虑机组组合的多目标 机组检修双层优化方法和系统， 属于电力系统优 化技术领域。 包括： 获取待优化电力系统中的机 组发电成本数据、 机组检修数据、 每日用电负荷 数据； 将上述数据代入考虑机组组合的多目标机 组检修双层优化模型， 得到待优化电力系统对应 的考虑机组组合的多目标机组检修双层优化模 型； 求解该多目标机组检修双层优化模型， 得到 待优化电力系统的最优的机组组合、 机组检修变 量、 机组出力和节点电价。 本发明通过建立考虑 机组组合的多目标机组检修双层优化模型， 综合 考虑电力系统总成本、 电力系统可靠性以及节点 电价波动性， 实现电力系统的经济和可靠运行， 同时降低节点电价波动对电力市场带来的风险。 权利要求书3页 说明书12页 附图2页 CN 114239372 A 2022.03.25 CN 114239372 A 1.一种考虑机组 组合的多目标机组检修双 层优化方法， 其特 征在于， 该 方法包括： S1.获取待优化电力系统中的机组发电成本数据、 机组检修数据、 每日用电负荷数据； S2.将上述数据代入考虑机组组合的多目标机组检修双层优化模型， 得到待优化电力 系统对应的考虑机组 组合的多目标机组检修双 层优化模型； S3.求解待优化电力系统对应的考虑机组组合的多目标机组检修双层优化模型， 得到 待优化电力系统的最优的机组 组合、 机组检修变量、 机组出力和节点电价； 所述考虑机组 组合的多目标机组检修双 层优化模型包括： 上层模型和下层模型； 所述上层模型的决策变量为机组组合、 机组检修变量、 机组出力和节点电价， 所述上层 模型包括三个目标： 电力系统总成本最小化、 电力系统可靠性最优和节点电价波动最小化， 包括两个约束： 最小备用约束， 同时检修机组数量 最大约束； 所述下层模型的决策变量为机组出力， 所述下层模型的目标为电力系统发电成本最小 化， 包括四个约束： 功率平衡约束、 爬坡约束、 机组出力上 下限约束和线路潮流约束。 2.如权利要求1所述的方法， 其特 征在于， 通过以下 方式编码各 数据： yi(t+1)＝max{vi(t+1)‑vi(t)， 0} 其中， xi表示第i台机组开始检修的调度时段， Mi(t)为1， 表示第i台机组在第 t个调度时 段处于检 修状态， Mi(t)为0， 表示第i台机组在第t个调度时段未处于检 修状态， di表示第i台 机组的检修持续调度时段数量， V表示取并， 表示第i台机组在第t个调度时段的出 力， 表示第i台机组的最大 出力， 表示第i台机组的最小出力。 3.如权利要求2所述的方法， 其特 征在于， 所述上层模型的目标函数包括： Minimize： Minimize： F2＝std(I(t) )t＝1， 2， 3， . ..， Nt 所述上层模型的约束包括： 其中， F1， F2， F3分别表示电力系统总 成本、 电力系统可靠性、 节点电价波动， G表示所有权　利　要　求　书 1/3 页 2 CN 114239372 A 2机组的集合， Nt表示调度时段的个数， 表示第i台机组的发电成本， T(t)表示一个 调度时段的小时数量， 表示第i台机组的启动费用， Gm表示需要检修的机组的集合， 表示第i台机组的维修费用， C0i， C1i， C2i表示第i台机组的发电成本系数， std(I(t))表示I (t)的标准差， I(t)为电力系统可靠 性指标， PD(t)表示第t个调度时段的需求电量， Nj表示节 点的个数， Sj(t)表示第j个节点在第t个调度时段的节点电价， 表示第j个节点在所有调 度时段的平均节点电价， RMin(t)表示第t个调度时段的最小净备用量， K(t)表示在第t个调 度时段能同时检修的机组的最大 数量。 4.如权利要求2所述的方法， 其特 征在于， 所述下层模型的目标函数为： 所述下层模型的约束包括： 其中， F表示电力系统发电成本， G表示所有机组的集合， Nt表示调度时段的个数， 表示第i台机组的发电成本， T(t)表示一个调度时段的小时数量， PD(t)表示第t 个 调度时段的需求电量， 表示第i台机组的最大下降速率， 表示第i台机组的最大上升速 率， 表示第l条线路的潮流下限， 表示第l条线路的潮流上限， Dj(t)表示第j个节点 在t调度时段的需求电量， Gl‑i表示线路l对机组i所在节 点的功率转移分布因子， Gl‑j表示线 路l对节点j的功率 转移分布因子， Nj表示节点的个数。 5.如权利要求1所述的方法， 其特 征在于， 步骤S3包括： S31.将机组组合和机组检修变量作为粒子的位置， 采用改进的多目标量子粒子群算法 对机组检修双 层优化调度模型中的上层模型进行求 解， 得到机组组合和机组检修变量； S32.将机组组合和机组检修变量代入至下层模型， 使用Gurobi求解器求解， 得到机组 出力， 进一 步计算出节点电价； S33.将机组出力与节点电价代回至上层模型， 使用改进 的多目标量子粒子群算法， 求 解出帕累托最优解集， 所述解集中的每个解由机组组合、 机组检修变量、 机组出力和节点电 价构成； S34.从帕累托 最优解集中选取最终调度解； 所述改进的多目标量子粒子群算法采用深度Q学习方法， 选出多目标量子粒子群算法 中每一代进化所需的最优 “收缩‑扩张”系数。 6.如权利 要求5所述的方法， 其特征在于， 所述深度Q学习方法中， 状态空间S为5维， 前3 个维度代表量子粒子群在该次迭代过程中的平均目标函数值， 第4维度代表量子粒子群在 该次迭代过程中的平均约束违反度值， 第5维为迭代次数； 动作空间A 为10维， 同时将算法中权　利　要　求　书 2/3 页 3 CN 114239372 A 3