基于分层安全校正的两阶段时空图网络在机组组合与经济调度集成中的应用研究

《IEEE Potentials》：Two-stage spatio-temporal graph network with hierarchical safety corrections for UC-ED integration

本文针对电力系统中机组组合(UC)与经济调度(ED)集成问题，提出了一种结合时空图网络(STGN)与分层约束校正安全优化器(SCO)的两阶段框架。该研究利用图注意力机制建模电网结构约束，通过时序卷积提取历史负荷与机组出力特征，实现了快速求解与高精度调度。在IEEE 30节点和118节点测试系统中，该方法将求解速度提升至传统混合整数线性规划(MILP)的1/2000，成本波动小于0.02%，为大规模电网优化调度提供了新方案。

　　

随着电网规模的不断扩大和新能源机组的大规模接入，电力系统调度面临着前所未有的挑战。机组组合(Unit Commitment, UC)和经济调度(Economic Dispatch, ED)作为保障电力系统稳定运行的核心问题，其求解精度和经济性直接影响着电网的安全与效益。传统的数学优化方法虽然在某些特定问题上表现出色，但在处理复杂动态UC问题时，其时间复杂度呈指数级增长，难以应对大规模机组的求解需求。商业求解器虽然功能强大，却可能面临一系列实际应用中难以解决的瓶颈问题。尽管元启发式算法具有强大的搜索能力和适应性，但通常需要较长的计算时间，且对参数调整敏感，容易陷入局部最优。深度学习方法的出现为解决这一问题提供了新的思路，但其在处理UC-ED问题中复杂的约束条件时仍存在困难。

为了在保证约束满足的前提下高效求解UC-ED问题，Siyi Zhou、Xingyu Liang、Li'ao Chen、Min Xia、Jun Liu和Jian Geng等研究人员开展了一项创新性研究，提出了一种两阶段求解框架。该研究成果为电力系统优化调度领域带来了新的突破。

研究人员设计的两阶段框架巧妙地将深度学习与约束优化相结合。第一阶段采用名为时空图网络(Spatio-Temporal Graph Network, STGN)的模型进行监督学习，快速生成机组发电功率的高质量可行解。STGN模型通过串行连接图注意力网络(Graph Attention Network, GAT)和时序卷积网络(Temporal Convolutional Network, TCN)，有效处理时空数据的特征提取和序列建模。GAT首先从电力系统拓扑中提取空间特征，然后将其输出重塑后输入TCN进行时序建模。第二阶段则利用基于分层约束校正的安全优化器(SafeCommit Optimizer, SCO)对网络输出进行处理，确保调度方案满足系统约束条件。

在技术方法上，该研究主要采用了以下几种关键技术：基于实际负荷数据构建训练集（使用中国东南某省实际冬夏季负荷曲线）；图注意力网络(GAT)与可训练注意力机制；时序卷积网络(TCN)块结构设计，包含因果卷积和膨胀卷积；分层约束校正安全优化器(SCO)的三阶段校正算法；以及融合自适应损失函数设计。

IV. PROPOSED FRAMEWORK

研究提出了混合智能调度框架，通过STGN和SCO实现了从数据驱动初始解生成到物理可行规划的全流程优化。STGN采用GAT和TCN的串行连接结构，GAT处理电力系统拓扑中的空间关系，生成包含时空信息的特征张量，这些张量经重塑后输入TCN进行时序依赖建模，形成集成的时空学习框架。

A. Spatio-temporal graph network

提出的STGN融合模型结合了GAT和TCN处理时空数据。GAT能够自适应学习连接总线间的重要性权重，这对捕捉电力系统中可能无法通过传统图网络的固定拓扑聚合方案充分表示的多种电气影响至关重要。TCN模型实现简单、计算轻量，降低了框架的整体计算负担。

B. GAT with trainable attention

本研究中的GAT采用非线性激活函数，通过动态注意力机制为不同节点对分配不同的注意力权重。与传统GAT方法相比，简化了注意力分数计算过程，减少了计算步骤，提高了模型效率。可训练注意力机制不仅提高了预测精度，还增强了大尺度系统的计算效率。

C. TCN Block

使用多层神经网络堆叠形成TCN块，每个TCN块使用一维膨胀多尺度时序因果卷积，结合权重归一化提取不同尺度的时序特征信息，并通过层归一化加速模型收敛。嵌入负值校正层使用ReLU函数调整网络输出为非负值，完美契合发电机功率为非负的物理特性。

D. SafeCommit Optimizer

SCO是一个为UC-ED问题设计的约束保证引擎，主要通过三层渐进校正过程——启停时序优化、功率平衡迭代和爬坡率校准——将神经网络预测转换为严格可行的调度计划。该算法创新性地融合了动态规划和在线优化技术，在3ms内完全满足IEEE 118节点测试系统的复杂约束。

E. Merged adaptive loss function

针对电力系统夏冬季峰值负荷条件，提出了单元功率预测的优化损失函数。该混合损失函数动态加权，结合平均绝对误差(MAE)和均方误差(MSE)，通过可学习参数σ₁和σ₂动态调整两个函数的损失权重，实现了高达31%的预测性能提升。

V. EXPERIMENT

实验在IEEE 30总线和IEEE 118总线测试系统上进行，使用中国东南某省实际冬夏季峰值负荷需求数据构建训练和测试数据集。STGN模型在预测发电机调度方面优于基线方法，这归因于模型架构的两个关键方面：通过图注意力机制捕捉不同总线间空间相关性的能力，以及模拟电力需求模式时序依赖性的能力。

研究结果显示，STGN模型在IEEE 30总线和IEEE 118总线测试系统中均取得了优越的性能。在IEEE 118总线测试系统上，求解速度达到0.102秒，约为传统MILP方法的1/2000，且与最优解的成本波动小于0.02%。约束满足率检查表明，即使神经网络预测存在极小误差也会导致约束违反，但经过SCO处理后，所有安全约束均得到满足，功率平衡约束的误差在可接受范围内。

VI. CONCLUSION AND DISCUSSION

该研究提出的新颖框架有效解决了UC-ED问题。在实际电网数据集上的大量实验表明，该框架优于现有模型，与最优二次成本差异极小，Gap小于0.02%。电力调度满足大多数约束条件，展示了强大的实际有效性。

然而，该方法存在一些不足：不能完全满足等式约束，容忍一定的等式误差（幸运的是，在实际应用中可能存在等式约束的松弛）。同时，未来研究应进一步增强该模型在复杂动态电力系统场景中的适应性，包括探索如何更好地应对大规模新能源接入带来的不确定性、电网拓扑结构变化以及更复杂线路容量约束对调度优化的影响。

这项研究的重要意义在于为电力系统优化调度提供了一种全新的解决思路，将深度学习的快速推理能力与传统优化方法的约束保证能力有机结合，在大规模电网实时调度、新能源消纳、智能电网建设等领域具有广阔的应用前景。通过两阶段框架的设计，既保持了深度学习方法的计算效率，又确保了调度方案的物理可行性和安全性，为未来电力系统智能化调度奠定了重要基础。