随着社会经济的发展,电力需求持续增长,风电等多种可再生能源大规模接入电网,电力系统迅速发展,国家、社会和人民对于电力的依赖性越来越高。大面积停电事故会威胁人民的生命财产乃至国家社会的安全,在发生大停电后快速实现电网自愈有利于减轻这种负面影响。电网自愈恢复的首要任务是完成发电机的启动并建立骨干网架,尤其在电力系统恢复前期,机组恢复更是重中之重。因此,全方位研究考虑骨干网架重构的机组恢复问题,对于安全、有序和快速的电网自愈具有十分重要的理论意义和实用价值。合理有效的机组恢复方案能够充分考虑恢复过程中的多种影响因素,大停电发生后有效指导调度人员,完成机组恢复的同时,构建骨干网架。充分利用快速发展的电力信息系统,在线智能逐步进行机组恢复决策,能有效应对恢复方案与实际恢复过程不相符的情况。对于停电风险更大的高比例风电系统,在线指导大规模风电场与传统机组的恢复,能够利用风速条件较好的风电场促进恢复进程。本文在已有研究成果的基础上,对考虑骨干网架重构的机组恢复在线智能决策优化进行了深入的分析研究,利用偏好多目标优化、进化计算、深度学习、强化学习以及蒙特卡洛树搜索等人工智能技术,构建了从恢复方案制定到在线恢复决策再到考虑风功率参与的机组恢复的全方面机组恢复智能决策优化体系。论文的主要研究工作和取得的创新性成果如下:(1)整合机组恢复相关的多方面影响因素,提出一种基于偏好多目标优化的机组恢复方法,用于优化制定机组恢复方案。一方面,分别从机组、网架以及负荷三个电力系统基本要素出发,提出系统总发电能力、线路平均重要度以及骨干网架内重要负荷百分比作为机组恢复评价指标。综合考虑多个优化目标和约束,并依据对于不同目标的偏好性,建立偏好多目标优化模型。另一方面,针对所建优化模型偏好性和离散性的特点,提出一种基于偏好的离散非支配排序遗传算法(Preference-based Discrete Nondominated Sorting Genetic Algorithm Ⅱ,PD-NSGA-Ⅱ)。分别提出基于偏好的支配关系和松弛的Pareto支配关系,作用于外部种群和正常种群,提高了算法对于机组恢复问题的求解效率。算例结果表明采用所提偏好多目标优化模型所得方案在强调机组恢复的同时,考虑了所建骨干网架对于后续恢复的影响和经济性因素。PD-NSGA-Ⅱ相较同类型算法对机组恢复问题具有更高的求解效率,能够获得数量可控且高质量的解。最终所得解的数目可由决策者提前设置,方便对最终方案进行决策,该方法对于机组恢复方案的优化制定具有较高的实用价值。(2)为应对停电后系统的初始状态和机组恢复过程的不确定性,提出一种基于蒙特卡洛树搜索(Monte Carlo Tree Search,MCTS)和稀疏自动编码器(Sparse Autoencoder,SAE)的机组恢在线恢复动态决策方法。建立包含离线准备工作和在线决策的机组在线恢复框架,通过逐步决策将要恢复的输电线路,完成机组恢复,并形成骨干网架。提出机组恢复效率评价指标,用于指引决策过程。采用SAE离线学习机组恢复相关数据,建立估值网络用于MCTS算法,快速评估某一系统恢复状态下最优机组恢复效率指标。引入MCTS进行机组恢复在线决策,并提出改进的上限置信区间算法、剪枝技术以及基于估值网络的模拟技术,有效提高了对于下一步将要恢复线路的搜索效率,进一步采用并行计算,保证机组恢复决策的在线实现。算例结果表明SAE是一种理想的机组恢复数据学习训练算法。基于改进的上限置信区间算法、剪枝技术以及估值网络的MCTS算法搜索效率明显提高,可靠地保证了机组恢复决策的在线实现。所提方法能够自动应对恢复过程中可能存在的线路恢复时间与预设值不符或者线路恢复失败等不确定情况,并且所得方案比离线方法所得方案具有更高的鲁棒性。(3)提出一种基于实时系统状况和风功率预测信息的考虑风电场参与的机组恢复在线决策方法,逐步决策将要恢复的输电线路,在线辅助调度员完成风电场与常规机组的恢复。同时考虑系统最大发电能力与火电机组热启动,提出机组恢复评价指标用于评价考虑风电场机组恢复的表现。由于风功率场景的多样性,提出一种基于强化学习的自学习策略学习机组恢复数据,生成策略网络。所得策略网络可根据系统状态快速估算各条备选线路被投入的概率,将其应用到MCTS,能够提升算法的搜索效率。为保证恢复期间系统的有功平衡,采用模型预测控制进行风功率控制,提出滚动优化模型,基于实时状态和预测信息优化已恢复风电场的有功出力。算例结果表明所提自学习策略能够在可调整的时间内获得有效的策略网络,其所得策略网络能够提升恢复决策的效率。所提方法能够针对不同的风功率场景做出合理决策,并自发应对恢复过程中突然发生的风电爬坡事件。所提风功率控制方法能够有效保证机组恢复期间的有功平衡,并通过牺牲一定有功出力为可能发生的风电爬坡事件提供控制冗余。