面向可信度提升的数模混合驱动快速机组组合求解方法

针对新型电力系统中安全约束机组组合(SCUC)求解面临的维数灾与速度慢问题，提出融合深度强化学习(DRL)与可解释性评估的数模混合方法，在保障决策可信度前提下实现快速求解。

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.