基于大规模深度神经网络的机组组合优化系统开发指南
基于大规模深度神经网络的机组组合优化系统开发指南
摘要
本文档详细介绍了从零开始开发一个基于深度神经网络的机组组合优化系统的全过程。系统采用 Transformer 架构作为核心模型，通过监督学习从历史最优调度数据中学习机组启停决策和出力分配。模型规模可扩展至数十亿参数，本文特别针对 70 亿（7B）参数级别的模型给出了训练策略、参数设置和工程实现建议。全文包含问题建模、数据集生成、模型设计、训练流程、代码实现及结果分析，提供了可直接运行的 Python 代码示例，并辅以详尽的解释，旨在为电力系统优化与深度学习交叉领域的研究者和工程师提供参考。
1. 引言
1.1 机组组合问题
机组组合是电力系统日前调度中的核心问题，其目标是在满足负荷需求、系统备用及各类运行约束的前提下，确定未来 24 小时内各发电机组的启停状态和出力计划，使总运行成本最小。该问题通常被建模为混合整数规划（MIP），包含整数变量（机组状态）和连续变量（出力），约束条件涉及机组出力上下限、爬坡速率、最小启停时间、备用容量等。由于规模大、非线性、非凸，精确求解十分困难，实际中常采用拉格朗日松弛、动态规划、分支定界等方法，但计算时间随机组数量指数增长。
1.2 机器学习方法
近年来，深度学习的快速发展为机组组合问题提供了新的思路。研究者们尝试用神经网络直接预测最优机组组合决策，或将机器学习与传统优化算法结合，形成“学习+优化”的混合框架。其中，端到端的监督学习方法是常见范式：利用历史运行数据（负荷