面向可信度提升的数模混合驱动快速机组组合求解方法

王文烨; 冯川; 管昱翔; 马文浩; 车亮

doi:10.7500/AEPS20250324002

您当前的位置：

首页 >

文章列表页 >

面向可信度提升的数模混合驱动快速机组组合求解方法

学术研究 | 更新时间：2026-02-28

- 面向可信度提升的数模混合驱动快速机组组合求解方法
- Hybrid Data-model-driven Fast Unit Commitment Solution Method for Credibility Enhancement
- 电力系统自动化 2026年50卷第1期页码：74-85
- 作者机构：
  
  1.湖南大学电气与信息工程学院，湖南省长沙市 410082
  2.中国电力工程顾问集团西南电力设计院，四川省成都市 610056
- 作者简介：
  
  王文烨(1998—)，女，博士研究生，主要研究方向：电力系统调控技术。E-mail：wangwenye@hnu.edu.cn
  冯川(1983—)，男，高级工程师，主要研究方向：新能源与人工智能应用技术。E-mail：13880771930@126.com
  管昱翔(1997—)，男，博士研究生，主要研究方向：基于安全强化学习的电力系统调控。E-mail：guanyx@hnu.edu.cn
  车亮(1982—)，男，通信作者，博士，教授，博士生导师，主要研究方向：基于人工智能与人机混合增强智能的电力系统调控。E-mail：cheliang@hnu.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2023YFB2407601);江西省重点研发计划资助项目(20223BBE51013)
- DOI：10.7500/AEPS20250324002
  中图分类号：
- 收稿：2025-03-24，
  
  修回：2025-09-03，
  
  网络首发：2025-09-30，
  
  纸质出版：2026-01-10
- 稿件说明：
移动端阅览
王文烨,冯川,管昱翔等.面向可信度提升的数模混合驱动快速机组组合求解方法[J].电力系统自动化,2026,50(1):74-85.

WANG Wenye,FENG Chuan,GUAN Yuxiang,et al.Hybrid Data-model-driven Fast Unit Commitment Solution Method for Credibility Enhancement[J].Automation of Electric Power Systems,2026,50(1):74-85.
王文烨,冯川,管昱翔等.面向可信度提升的数模混合驱动快速机组组合求解方法[J].电力系统自动化,2026,50(1):74-85. DOI： 10.7500/AEPS20250324002.

WANG Wenye,FENG Chuan,GUAN Yuxiang,et al.Hybrid Data-model-driven Fast Unit Commitment Solution Method for Credibility Enhancement[J].Automation of Electric Power Systems,2026,50(1):74-85. DOI： 10.7500/AEPS20250324002.

摘要

随着新型电力系统电源结构、电网拓扑日益复杂，系统节点数、机组数不断增大，采用传统优化方法求解安全约束机组组合(SCUC)模型面临维数灾、计算速度慢等问题。虽然采用数据驱动决策方法可以快速求解SCUC模型，但其可解释性不足导致决策结果不可用。为应对上述问题，提出面向可信度提升的数模混合驱动快速机组组合求解方法。首先，构建基于深度强化学习(DRL)的SCUC求解模型，实现机组启停决策结果的快速预求解；然后，构建综合考虑DRL行为级可解释性指标和策略级可解释性指标的启停决策可信度评估体系，识别出高可信度的机组启停结果，增强决策结果的可解释性；最后，构建数模混合驱动的SCUC实现模型的快速求解，并对低可信度的决策结果进行优化调整。基于某省级电网748节点系统的仿真验证表明，所提方法在增强机组启停决策结果可解释性的前提下，实现了SCUC的快速求解。

Abstract

With the increasing complexity of the power source structure and grid topology in new power systems

the number of system nodes and units continues to rise. The solution for the security constrained unit commitment (SCUC) model using traditional optimization methods faces problems such as the curse of dimensionality and slow calculation speed. Although the data-driven decision methods can quickly solve the SCUC model

the lack of interpretability makes the decision results unusable. To address these issues

a hybrid data-model-driven fast unit commitment solution method for the credibility enhancement is proposed. First

an SCUC solution model based on deep reinforcement learning (DRL) is constructed to achieve fast pre-solution for the unit start-up/shut-down decision results. Then

by comprehensively considering DRL behavior-level interpretability indicators and strategy-level interpretability indicators

a credibility evaluation system for the start-up/shut-down decisions is constructed to identify high-credibility unit start-up/shut-down results

and enhance the interpretability of decision results. Finally

the hybrid data-model-driven SCUC is constructed to achieve fast model solution and optimize and adjust the low-credibility decision results. The simulation verification based on a 748-bus system of a provincial power grid shows that the proposed method achieves fast SCUC solution on the premise of enhancing the interpretability of unit start-up/shut-down decision results.

关键词

Keywords

references

国家能源局 . 国家能源局举行新闻发布会介绍一季度可再生能源并网运行情况［EB/OL］.［ 2025-05-27 ］. https：//www.nea.gov.cn/20250428/4b2dff7ab84347df9a068f8e972f4775/c.html https://www.nea.gov.cn/20250428/4b2dff7ab84347df9a068f8e972f4775/c.html .

National Energy Administration . Press conference held by National Energy Administration on the grid-connected operation of renewable energy in the first quarter ［EB/OL］. ［ 2025-05-27 ］. https：//www.nea.gov.cn/20250428/4b2dff7ab84347df9a068f8e972f4775/c.html https://www.nea.gov.cn/20250428/4b2dff7ab84347df9a068f8e972f4775/c.html .

高倩，杨知方，李文沅 . 电力系统混合整数线性规划问题的运筹决策关键技术综述与展望［J］. 电工技术学报， 2024 ， 39 （ 11 ）： 3291 - 3307 .

GAO Qian ， YANG Zhifang ， LI Wenyuan . Prospect on operations research for mixed-integer linear programming problems in power systems ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 11 ）： 3291 - 3307 .

要金铭，赵书强，韦子瑜，等 . 基于场景分析的电力系统日前调度及其快速求解方法［J］. 电力自动化设备， 2022 ， 42 （ 9 ）： 102 - 110 .

YAO Jinming ， ZHAO Shuqiang ， WEI Ziyu ， et al . Day-ahead dispatch and its fast solution method of power system based on scenario analysis ［J］. Electric Power Automation Equipment ， 2022 ， 42 （ 9 ）： 102 - 110 .

Federal Energy Regulatory Commission （FERC） . Factors impacting large-scale security constrained unit commitment performance and day-ahead market software design ［EB/OL］. ［ 2025-05-27 ］. https：//www.ferc.gov/sites/default/files/2020-08/M3-3_Gisin.pdf https://www.ferc.gov/sites/default/files/2020-08/M3-3_Gisin.pdf .

CHEN Y H ， PAN F ， HOLZER J ， et al . A high performance computing based market economics driven neighborhood search and polishing algorithm for security constrained unit commitment ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 1 ）： 11 .

ZHU Y H ， CUI G C ， LIU A B ， et al . A reinforcement learning embedded surrogate Lagrangian relaxation method for fast solving unit commitment problems ［J］. IEEE Transactions on Power Systems ， 2025 ， 40 （ 5 ）： 3806 - 3818 .

SUN X R ， LUH P B ， BRAGIN M A ， et al . A novel decomposition and coordination approach for large day-ahead unit commitment with combined cycle units ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 5 ）： 5297 - 5308 .

FU Y ， LI Z Y ， WU L . Modeling and solution of the large-scale security constrained unit commitment ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 4 ）： 3524 - 3533 .

CHEN Y H ， AARON C ， WANG F Y ， et al . Improving large scale day-ahead security constrained unit commitment performance ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 6 ）： 4732 - 4743 .

杨楠，叶迪，林杰，等 . 基于数据驱动具有自我学习能力的机组组合智能决策方法研究［J］. 中国电机工程学报， 2019 ， 39 （ 10 ）： 2934 - 2946 .

YANG Nan ， YE Di ， LIN Jie ， et al . Research on data-driven intelligent security-constrained unit commitment dispatching method with self-learning ability ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 10 ）： 2934 - 2946 .

ZHOU Y Z ， ZHAI Q Z ， WU L ， et al . A data-driven variable reduction approach for transmission-constrained unit commitment of large-scale systems ［J］. Journal of Modern Power Systems and Clean Energy ， 2023 ， 11 （ 1 ）： 254 - 266 .

SANG L W ， XU Y L ， SUN H B . Ensemble provably robust learn-to-optimize approach for security-constrained unit commitment ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 6 ）： 5073 - 5087 .

ROMDHANA A ， MERLO A ， CECCATO M ， et al . Deep reinforcement learning for black-box testing of Android apps ［J］. ACM Transactions on Software Engineering and Methodology （TOSEM）， 2022 ， 31 （ 4 ）： 1 - 29 .

MILANI S ， TOPIN N ， VELOSO M ， et al . Explainable reinforcement learning： a survey and comparative review ［J］. ACM Computing Surveys ， 2024 ， 56 （ 7 ）： 168 .

HEUILLET A ， COUTHOUIS F ， DÍAZ-RODRÍGUE Z ， et al . Explainability in deep reinforcement learning ［J］. Knowledge Based Systems ， 2021 ， 214 ： 106685 .

GUNNING D ， AHA D W . DARPA’s explainable artificial intelligence（XAI） program ［J］. AI Magazine ， 2019 ， 40 （ 2 ）： 44 - 58 .

百度 . AI-人机交互趋势研究［R］. 北京：百度人工智能交互设计院（AIID）， 2019 .

Baidu . AI-human interaction trends research ［R］. Beijing ： Baidu AI Interaction Design Lab （AIID）， 2019 .

郭剑波，范士雄，蔡忠闽，等 . 大电网调控人机混合增强智能：概念内涵、应用框架、关键技术以及系统验证［J］. 中国电机工程学报， 2024 ， 44 （ 17 ）： 6787 - 6811 .

GUO Jianbo ， FAN Shixiong ， CAI Zhongmin ， et al . Human-machine hybrid-augmented intelligence for power system dispatching： concept connotation， application framework， key technologies and system verification ［J］. Proceedings of the CSEE ， 2024 ， 44 （ 17 ）： 6787 - 6811 .

蒲天骄，乔骥，赵紫璇，等 . 面向电力系统智能分析的机器学习可解释性方法研究（一）：基本概念与框架［J］. 中国电机工程学报， 2023 ， 43 （ 18 ）： 7010 - 7030 .

PU Tianjiao ， QIAO Ji ， ZHAO Zixuan ， et al . Research on interpretable methods of machine learning applied in intelligent analysis of power system （Part Ⅰ）： basic concept and framework ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 18 ）： 7010 - 7030 .

杨志学，任洲洋，孙志媛，等 . 基于近端策略优化算法的新能源电力系统安全约束经济调度方法［J］. 电网技术， 2023 ， 47 （ 3 ）： 988 - 998 .

YANG Zhixue ， REN Zhouyang ， SUN Zhiyuan ， et al . Security-constrained economic dispatch of renewable energy integrated power systems based on proximal policy optimization algorithm ［J］. Power System Technology ， 2023 ， 47 （ 3 ）： 988 - 998 .

曹宏业，刘潇，董绍康，等 . 面向强化学习的可解释性研究综述［J］. 计算机学报， 2024 ， 47 （ 8 ）： 1853 - 1882 .

CAO Hongye ， LIU Xiao ， DONG Shaokang ， et al . A survey of interpretability research methods for reinforcement learning ［J］. Chinese Journal of Computers ， 2024 ， 47 （ 8 ）： 1853 - 1882 .

孔祥维，唐鑫泽，王子明 . 人工智能决策可解释性的研究综述［J］. 系统工程理论与实践， 2021 ， 41 （ 2 ）： 524 - 536 .

KONG Xiangwei ， TANG Xinze ， WANG Ziming . A survey of explainable artificial intelligence decision ［J］. Systems Engineering-Theory & Practice ， 2021 ， 41 （ 2 ）： 524 - 536 .

黎博，陈民铀，钟海旺，等 . 高比例可再生能源新型电力系统长期规划综述［J］. 中国电机工程学报， 2023 ， 43 （ 2 ）： 555 - 581 .

LI Bo ， CHEN Minyou ， ZHONG Haiwang ， et al . A review of long-term planning of new power systems with large share of renewable energy ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 2 ）： 555 - 581 .

罗永建，李晓明，黄彦浩，等 . 基于准稳态灵敏度和校正成本最小化的过载线路实时校正方法［J］. 电力系统保护与控制， 2020 ， 48 （ 23 ）： 1 - 10 .

LUO Yongjian ， LI Xiaoming ， HUANG Yanhao ， et al . Real-time correction method for overloaded lines based on quasi-steady-state sensitivity and correction cost minimization ［J］. Power System Protection and Control ， 2020 ， 48 （ 23 ）： 1 - 10 .

史进渊 . 大型发电机组可靠性预测方法与应用［J］. 机械工程学报， 2011 ， 47 （ 18 ）： 165 - 172 .

SHI Jinyuan . Reliability prediction methods and application of large capacity generating units ［J］. Journal of Mechanical Engineering ， 2011 ， 47 （ 18 ）： 165 - 172 .

刘成成，姚汉飞，陈志刚 . 浅谈火电机组低负荷经济运行措施［J］. 中国设备工程， 2019 （ 19 ）： 228 - 229 .

LIU Chengcheng ， YAO Hanfei ， CHEN Zhigang . Discussion on economic operation measures for thermal power units at low load ［J］. China Plant Engineering ， 2019 （ 19 ）： 228 - 229 .

马士全，丁进良 . 面向可再生能源消纳的火电机组控制结构综合与分析［J］. 自动化学报， 2024 ， 50 （ 5 ）： 1 - 15 .

MA Shiquan ， DING Jinliang . Syntheses and analyses of control structure for coal-fired power plants oriented to renewable energy accommodation ［J］. Acta Automatica Sinica ， 2024 ， 50 （ 5 ）： 1 - 15 .

蔡钦钦，徐英，仪忠凯，等 . 考虑备用共享的区域与省级备用市场统一出清方法［J］. 电力系统自动化， 2025 ， 49 （ 10 ）： 176 - 184 .

CAI Qinqin ， XU Ying ， YI Zhongkai ， et al . Unified clearing method for regional and provincial reserve markets considering reserve sharing ［J］. Automation of Electric Power Systems ， 2025 ， 49 （ 10 ）： 176 - 184 .

国家市场监督管理总局 . 电力系统技术导则： GB/T 38969—2020 ［S］. 北京：中国标准出版社， 2020 .

State Administration for Market Regulation . Guide on technology for power system ： GB/T 38969—2020 ［S］. Beijing ： Standards Press of China ， 2020 .

杨志平，李柯润，王宁玲，等 . 大数据背景下燃煤发电机组调峰经济性分析［J］. 中国电机工程学报， 2019 ， 39 （ 16 ）： 4808 - 4818 .

YANG Zhiping ， LI Kerun ， WANG Ningling ， et al . Economic analysis of peaking regulation of coal-fired generating units under big data ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 16 ）： 4808 - 4818 .

王硕汝，牛温佳，童恩栋，等 . 强化学习离线策略评估研究综述［J］. 计算机学报， 2022 ， 45 （ 9 ）： 1926 - 1945 .

WANG Shuoru ， NIU Wenjia ， TONG Endong ， et al . Research on off-policy evaluation in reinforcement learning： a survey ［J］. Chinese Journal of Computers ， 2022 ， 45 （ 9 ）： 1926 - 1945 .

李君卫，余洋，蒋衍君，等 . 面向电网调峰的负荷友好性评价［J］. 电力系统自动化， 2023 ， 47 （ 20 ）： 115 - 124 .

LI Junwei ， YU Yang ， JIANG Yanjun ， et al . Load friendliness evaluation for peak regulation of power grid ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 20 ）： 115 - 124 .

郭久亿，刘洋，郭焱林，等 . 不同典型用户侧储能配置评估与运行优化模型［J］. 电网技术， 2020 ， 44 （ 11 ）： 4245 - 4254 .

GUO Jiuyi ， LIU Yang ， GUO Yanlin ， et al . Configuration evaluation and operation optimization model of energy storage in different typical user-side ［J］. Power System Technology ， 2020 ， 44 （ 11 ）： 4245 - 4254 .

邵韵霏，范帅，郏琨琪，等 . 基于负荷准线的用户需求响应潜力评估［J］. 电力系统自动化， 2024 ， 48 （ 24 ）： 33 - 43 .

SHAO Yunfei ， FAN Shuai ， JIA Kunqi ， et al . Assessment of customer demand response potential based on load directrix ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 24 ）： 33 - 43 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于数据驱动预测控制的低感知度配电网在线无功优化方法

基于深度强化学习的新型电力系统调度优化方法综述

基于变权重随机森林的暂态稳定评估方法及其可解释性分析