你刚被聘为一家五星级酒店宴会厨房的行政主厨。今晚，300 位住客同时办答谢宴，12 口炒灶、6 台烤箱、4 台蒸汽柜一字排开，屋顶还有太阳能供电的电磁炉，楼顶风口立着两台小风机。每桌客人的上菜节奏各不相同：6 点前餐厅安静，7 点到 9 点堪称“战场”，10 点后只剩零星加餐。更头疼的是，太阳能中午最猛，傍晚日落就没了，风机的出力也时大时小。 面对这样的局面，你怎么决定几点开哪台炉子？先开便宜的烤箱还是快速的燃气灶？遇到客人临时加菜，又要如何调整？这就是电网调度员每天在做的事——只不过他们的“厨房”横跨数百公里，“炉具”是发电机，“点菜单”是千家万户的用电需求。电网优化，就是在保障安全稳定的前提下，对所有发电资源进行经济高效的编排。本文将从机组组合、无功调度、新能源消纳，到求解方法与在线部署，陪你完成一次“主厨的 24 小时调度”。

岗位关联

理解电网优化，是 AI 从业者进入能源行业的必修课——它让你看懂调度中心如何用 AI 平衡安全与利益，让能源数智化项目的 ROI 精准落地。

目录
  1. 可视化演示
  2. 电网优化概念：主厨的厨房全景图
  3. 机组组合优化：今天谁上灶
  4. 无功功率调度：火要旺更要烧得透
  5. 新能源消纳：把时令菜用出花样
  6. 优化求解方法：大管家的三件法宝
  7. 在线实时调度：计划赶不上变化
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示机组组合与经济调度、新能源消纳与弃风弃光、车载AI加速求解与在线部署，直观展示电网如何在保障安全下最大化可再生能源利用率。

本节配有交互动效（进入视口后自动加载，约 3KB）。

机组组合与经济调度 UC决定启停状态 min 发电成本 ED在满足负荷与约束下分配最小成本出力

电网优化概念：主厨的厨房全景图

你第一天进厨房，总厨递给你一张 24 小时排班表，要求只有一句：菜品准点、厨房不跳闸、燃气费不超标。你先得看明白全局——每个时段同时有多少桌客人下单，每台炉具的脾气和成本，以及厨房电路的承载上限。电网调度员也一样：先把“需求、设备、成本、安全”四本账摆在桌面上，才谈得上优化。

在经济调度中，每台发电机的成本不是线性的，而是随出力上升加速增长。用二次函数描述是行业惯例：

成本最小化不是无条件的。好比厨房总电路容量有限，所有炉具同时开到最大必然跳闸。电网里这个铁律叫功率平衡：任意时刻，所有发电出力必须恰好等于用户的用电负荷加上输电损耗。

现在你明白了，电网优化不是简单“省电”，而是在功率平衡这根钢丝上，找到一个让总成本最低、同时不越安全红线的方案。主厨先看全局再排菜单，调度员则把成本账和平衡账放在一起算——这就是电网优化概念的核心。

min⁡C=∑i=1n(aiPi2+biPi+ci)\displaystyle \min C = \sum_{i=1}^{n} \left( a_i P_i^2 + b_i P_i + c_i \right)
等号左边是“端上桌的菜”，右边是“客人点的菜加上厨房损耗”。菜既不能少，也不能多——多了频率不稳，少了就停电。
  1. 发电总出力左侧把所有在网机组的出力相加，代表系统当前能供应的总功率。
    ∑i=1nPi\displaystyle \sum_{i=1}^{n} P_i
  2. 用户负荷 $P_D$右侧第一项，是所有用户此刻正在使用的功率，动态变化，就像客人随时会加菜。
    PD\displaystyle P_D
  3. 网络损耗 $P_L$电力在输电线路上会发热损耗，虽然占比不高，但调度时必须预留。
    PL\displaystyle P_L
  4. 等式约束这是优化模型里的关键等式约束。无论在哪个时刻，等式都必须成立，违背它就意味着停电或设备过载。
    ∑Pi=PD+PL\displaystyle \sum P_i = P_D + P_L

机组组合优化：今天谁上灶

宴会厨房的设备各有性格：烤箱预热要 40 分钟，但热起来后保温效果好、每小时电费便宜；燃气灶一拧就着，但持续跑一个小时，燃气费相当可观。每台设备还有纪律：烤箱一旦启动，至少得开够 2 小时才能关，否则温度剧烈波动会损坏元件。这就是电网里“机组组合”问题的日常版——决定未来 24 小时里，每台发电机何时开机、何时停机、各自发多少电。

机组组合的优化目标，是在满足负荷的同时，把燃料成本和启动成本都压到最低。启动成本很容易被忽视——就像烤箱预热那 40 分钟空的电费，可不能当作不存在：

机组组合还受许多物理规则约束。其中最典型的是“最小运行时间”：机组一旦启动，必须至少运行指定的最小时长，不能刚开机就停机，否则设备寿命会急剧下降。

有了这台“谁上灶”的排班模型，主厨（调度员）就能在宴会前夜排好第二天的炉灶启用计划：哪些设备慢热但便宜，始终稳着跑；哪些设备响应快，只在晚高峰冲刺阶段顶上。机组组合优化，就是这份“24 小时排班表”的数学化表达。

min⁡∑t=1T∑i=1n(Ci(Pi,t)⋅ui,t+Si⋅yi,t)\displaystyle \min \sum_{t=1}^{T} \sum_{i=1}^{n} \left( C_i(P_{i,t}) \cdot u_{i,t} + S_i \cdot y_{i,t} \right)
意思是：如果机组在时刻 t 刚启动（y=1），那么从 t 开始往后的 T_min 个时段里，它都必须保持运行状态。
  1. 最小运行时长 $T_{\min}$不同机组的这项参数不同，燃煤机组可能长到数小时，燃气机组只需半小时。
    Tmin⁡\displaystyle T_{\min}
  2. 左侧连续运行求和把从第 t 个时段起、往后 $T_{\min}$ 个时段的运行状态加起来，代表“接下来这些时段里运行的总数”。
    ∑k=tt+Tmin⁡−1ui,k\displaystyle \sum_{k=t}^{t+T_{\min}-1} u_{i,k}
  3. 右侧触发条件只有当 $y_{i,t}=1$（刚启动）时，右侧才等于 $T_{\min}$，强制左侧至少要运行这么多时段；如果没启动，右侧为 0，约束自然满足。
    Tmin⁡⋅yi,t\displaystyle T_{\min} \cdot y_{i,t}

无功功率调度：火要旺更要烧得透

你细心观察会发现，炉灶的火苗即使开到最大，如果厨房排风不畅、氧气不足，火苗就会发红无力，锅底温度上不去。火苗大小是“有功功率”，而通风供氧就是“无功功率”——它不做饭，但没有它，火就烧不透。电网里，无功功率不足会直接导致电压跌落，高楼末端的灯会变暗，电机转不动。

调度员需要维持全网的电压水平，而电压波动与线路上的有功和无功功率都有关系。工程上常用一个近似公式来估算电压降落：

电压稳定靠什么保障？靠“无功补偿”——在电网末端安装电容器组或调相机，就地提供无功功率，相当于在厨房角落加装排风扇和送风机，不必让所有氧气都从远处的窗户运来。衡量这个平衡的指标是功率因数：

回到厨房：主厨不仅要关注火苗大不大，还要确保通风给氧到位，灶台才能发挥真正实力。电网调度员也一样，定期投切电容器组、调整无功出力，就是在保证“火又旺又透”——功率因数接近 1，电压稳稳当当。

ΔV≈RP+XQV\displaystyle \Delta V \approx \frac{RP + XQ}{V}
功率因数越接近 1，说明有功占比越高，能量利用效率越好。反之，如果无功功率过大，功率因数低，电网就需要付出更多无效成本。
  1. 视在功率 S分母 $\sqrt{P^2 + Q^2}$ 是有功与无功的矢量和，代表电网实际传输的总“容量”。
    S=P2+Q2\displaystyle S = \sqrt{P^2 + Q^2}
  2. 比值关系功率因数 $\cos\varphi$ 就是有功功率占视在功率的比例，范围在 0 到 1 之间。
    cos⁡φ=PS\displaystyle \cos\varphi = \frac{P}{S}
  3. 优化方向当 Q 趋近于 0 时，$\cos\varphi$ 趋近于 1，意味着同样粗的电缆可以输送更多有效电力；反过来说，如果功率因数太低，输电线就要额外运送大量无功，造成浪费。
    lim⁡Q→0cos⁡φ=1\displaystyle \lim_{Q \to 0} \cos\varphi = 1

新能源消纳：把时令菜用出花样

屋顶太阳能电磁炉是厨房的骄傲：正午阳光最烈时，它能同时支撑 8 口灶；可傍晚阳光一弱，它的出力断崖式下跌，你还得赶紧让燃气灶顶上去。楼顶的风机更任性——风大时呼呼转，风停了彻底罢工。主厨必须学会把这些“时令菜”用得恰到好处。

在电网里，我们把光伏和风电归为“波动性电源”。调度首先要预测它们——光伏预测看云图，风电预测看气象。预测之后，真正棘手的是净负荷计算：

当光伏或风电出力大大超过负荷、又无法储存或送出时，电网只能无奈地“弃风弃光”——好比时令菜大丰收，但厨房冷库放不下了，只能眼睁睁丢掉。这个浪费程度的量化指标是：

好的主厨绝不会让时令菜烂在地里——他会灵活调整菜单，把货源充足的菜做成招牌菜，把缺货的菜偷偷替换。电网也一样：通过精确预测净负荷、优化火电调峰节奏，把更多光伏和风电“端上桌”，让弃电率一降再降。

Pnet=Pload−Psolar−Pwind\displaystyle P_{\text{net}} = P_{\text{load}} - P_{\text{solar}} - P_{\text{wind}}
弃电率 = 可用绿电减去实际使用量，再除以可用绿电总量。这个数字越高，说明“菜”浪费得越多。
  1. 可用绿色电量 $E_{\text{avail}}$在理想条件下，光伏和风电机组能发出的总电量。
    Eavail\displaystyle E_{\text{avail}}
  2. 实际使用电量 $E_{\text{used}}$经过调度协同后，真正被电网消纳的绿色电量。
    Eused\displaystyle E_{\text{used}}
  3. 弃电率计算分子是“浪费掉的电量”，除以总量再乘 100%，得到弃风弃光率。降弃率是新能源消纳项目的核心 KPI。
    ηcurtail=Eavail−EusedEavail\displaystyle \eta_{\text{curtail}} = \frac{E_{\text{avail}} - E_{\text{used}}}{E_{\text{avail}}}
  4. 乘 100%把比率转成百分比，方便跨省跨网对标考核。
    ×100%\displaystyle \times 100\%

优化求解方法：大管家的三件法宝

面对 300 桌宴席、几十台炉具、上千个约束条件，靠人脑排班是不现实的。大管家有三件法宝：第一件是“算盘”（线性规划），够快但处理不了开关问题；第二件是“精算簿”（混合整数规划），能精确处理启停决策但计算量大；第三件是“老经验”（启发式算法），面对超大规模问题时，能快速找到一个相当好的解。

机组组合问题在数学上属于混合整数规划——既有连续变量（机组出力大小），又有整数变量（机组启停的 0/1 状态）。它的标准形式是：

几年前，调度员面对动辄上万个变量的机组组合，常常要算好几个小时。为了更快，工业界引入启发式算法——它不追求数学上的严格最优，而是通过迭代搜索，在几分钟内给出一个“够好的可行解”。以粒子群优化为例，每次迭代都会根据群体最优方向更新搜索位置：

主厨的大管家平时用算盘快速估算备货，遇到重大宴席用精算簿逐条核对，时间紧任务重时则凭老经验快速出方案。优化求解方法也是这个道理：线性规划打底，混合整数规划精算，启发式算法救场，三者配合才能把电网优化这块硬骨头啃下来。

min⁡  cTx+dTys.t.Ax+By≤b,y∈{0,1}\displaystyle \min \; c^T x + d^T y \quad \text{s.t.} \quad Ax + By \le b, \quad y \in \{0,1\}
这个公式描述了一群“虚拟粒子”如何在解空间里飞行：每个粒子既被自己过去找到的好位置（p_i）吸引，又被整个群体的最好位置（g）吸引。
  1. 速度更新 $v_i^{t+1}$粒子下一步飞行的方向和速度，决定了搜索的步伐。
    vit+1\displaystyle v_i^{t+1}
  2. 惯性项 $\omega v_i^t$保持原来的飞行方向，相当于“惯性”。ω 越大，探索能力越强，但收敛越慢。
    ωvit\displaystyle \omega v_i^t
  3. 个体认知项$c_1 r_1 (p_i - x_i^t)$ 把粒子拉向自己发现过的好位置，体现“相信自己的经验”。
    c1r1(pi−xit)\displaystyle c_1 r_1 (p_i - x_i^t)
  4. 群体认知项$c_2 r_2 (g - x_i^t)$ 把粒子拉向整个群体发现的最优位置，体现“跟风学霸”。
    c2r2(g−xit)\displaystyle c_2 r_2 (g - x_i^t)

在线实时调度：计划赶不上变化

前一天的排班表再完美，第二天也难免出岔子：客人临时加了三桌菜、某台烤箱突然故障、窗外天气骤变导致光伏大幅下降。聪明的副厨不会死守排班表，而是每隔 15 分钟重新看一眼全局，滚动调整接下来的工作计划。电网调度中心的“实时调度”也是如此。

当前调度界的主流方法是滚动时域优化（也叫模型预测控制）。调度员不一次性解出全天 96 个时段的最优解，而是只看未来一小段窗口（比如未来 4 小时），每 15 分钟滚动一次窗口重新求解：

除了滚动优化，电网还需要实时修正：当系统频率偏离 50Hz 标准值时，自动发电控制系统（AGC）会计算一个修正量，迅速调整在运机组的出力：

宴会进行到一半，副厨每 15 分钟围着厨房走一圈，看看哪桌快上菜、哪台炉子快熄火、屋顶太阳能是否被云挡住，然后微调出菜顺序。这就是主厨的“在线实时调度”——计划只是起点，随变而变才是日常，实时修正的能力决定了一场晚宴（一个电网）能不能稳稳当当走到最后。

min⁡∑k=0HC(xt+k∣t,ut+k∣t)\displaystyle \min \sum_{k=0}^{H} C(x_{t+k|t}, u_{t+k|t})
当频率下降（Δf < 0）时，修正量为正，机组自动加出力；频率上升时则减出力。这是电网自动化部署中最低层、最快速的闭环调节。
  1. 频率偏差 $\Delta f$交流电网的频率是 50Hz（或 60Hz）。发电多于用电时频率上升，少于用电时频率下降。
    Δf=f−50\displaystyle \Delta f = f - 50
  2. 区域控制误差 $P_{\text{ACE}}$衡量本区域发电与用电不平衡程度的指标，正值代表需要增加出力。
    ΔPACE\displaystyle \Delta P_{\text{ACE}}
  3. 频率响应系数 $\beta$系统对频率变化的综合响应灵敏度，数值越大说明系统调节能力越强。
    β>0\displaystyle \beta > 0
  4. 负号负反馈这个负号保证控制方向永远“反向纠偏”——频率低了就补电，频率高了就减电。
    ΔPACE=−β⋅Δf\displaystyle \Delta P_{\text{ACE}} = -\beta \cdot \Delta f

AI 应用场景

省级调度中心的日前发电计划优化

阶段：预测与调度优化

解决的问题：传统调度依赖人工经验表制定次日发电计划，面对新能源大规模接入后，负荷曲线和发电曲线都剧烈波动，人工调整慢且容易遗漏约束。AI 模型把气象预报、负荷预测和机组参数融合进优化模型，自动生成未来 96 个时点的发电计划，同时通过滚动修正保证计划紧跟实际。

具体案例：某省电网接入 20GW 光伏后，调度中心部署了基于混合整数规划的 AI 优化引擎，将弃光率从 8% 降至 3%，煤电启停次数下降 40%，每年节省燃料成本数亿元。

风电场功率预测与考核达标

阶段：数据分析与预测

解决的问题：风电场的出力波动大，并网考核要求风电场提前上报功率曲线，超差就要受罚。传统物理模型对局地微气象预测精度不足，导致频繁考核扣费。

具体案例：某风电场用 LSTM 网络融合气象再分析数据，提前 4 小时预测功率，再配合在线滚动修正模块，把预测误差从 18% 降到 9%，考核通过率明显提升，同时为场站内的储能充电策略提供输入。

Python 演示

python37 行
"""简化经济调度演示两台机组向同一负荷供电，寻找成本最低的出力分配。目标: min (a1*P1^2+b1*P1+c1) + (a2*P2^2+b2*P2+c2)约束: P1+P2=load, Pmin<=P<=Pmax"""import numpy as np GENS = [    {"name": "煤电", "a": 0.08, "b": 5.0, "c": 10.0,     "pmin": 40, "pmax": 200},    {"name": "燃气", "a": 0.28, "b": 12.0, "c": 8.0,     "pmin": 10, "pmax": 80},] def cost(gen, p):    return gen["a"] * p * p + gen["b"] * p + gen["c"] def economic_dispatch(load_mw):    best_output = (float("nan"), float("nan"))    best_total = float("inf")    for p1 in np.arange(GENS[0]["pmin"],                        GENS[0]["pmax"] + 1, 1.0):        p2 = load_mw - p1        if p2 < GENS[1]["pmin"] or p2 > GENS[1]["pmax"]:            continue        total = cost(GENS[0], p1) + cost(GENS[1], p2)        if total < best_total:            best_total = total            best_output = (p1, p2)    return best_output, best_total if __name__ == "__main__":    for load in [100, 150, 200, 250]:        (p1, p2), total = economic_dispatch(load)        print(f"负荷 {load}MW -> 煤电 {p1:.0f}MW, "              f"燃气 {p2:.0f}MW, 总成本 {total:.1f}元/h")
目的：演示两机组经济调度——在功率平衡的约束下，用最朴素的穷举法找到总发电成本最小的出力组合。
  1. GENS = [...]定义了两台机组，每台含成本系数 a/b/c 和出力上下限，代表炉灶的“脾气”
  2. def cost(gen, p):计算单台机组在出力 p 时的成本，即公式中的 $a_iP_i^2+b_iP_i+c_i$
  3. for p1 in np.arange(...)遍历煤电所有可能的出力值，相当于逐个试炉灶火力档位
  4. p2 = load_mw - p1功率平衡约束：两机组出力相加必须恰好等于负荷
  5. if p2 < GENS[1]["pmin"] or ...检查燃气机组出力是否在允许范围内，越界的方案直接跳过
  6. total = cost(...) + cost(...)计算两台机组的总成本，对应目标函数
  7. if total < best_total:保留当前看到的最优总成本与对应出力组合
  8. if __name__ == "__main__":程序入口，依次求解 100/150/200/250MW 四种负荷场景

常见误区

误区我刚接触电网优化时以为，优化就是让发电量越少越好，省电就是目标。

正解电网优化的第一目标是满足负荷需求——电是“即发即用”的，省电不是优化目标，发电成本最小化才是。好比酒店主厨的目标不是少做菜，而是在让客人吃饱吃好的前提下把食材成本降到最低。少发电导致停电，那是重大事故。

为何常见：因为“优化”两个字容易让人联想到节约，而且日常生活中我们确实提倡省电，但电力系统运行层面，核心是“经济调度”而非“少发电”。

误区新能源是清洁能源，应该无条件优先使用，接入越多电网就越环保越稳定。

正解光伏和风电是波动性电源，如果你不预测、不调度，大规模接入反而会带来频率和电压问题，甚至被迫弃风弃光。电网调度必须精确预测新能源出力、计算净负荷、安排调峰容量，才能把更多绿色电力安全用上。就像厨房的太阳能电磁炉虽然省钱，但阴雨天你仍然要安排好燃气灶备用。

为何常见：人们从环保理念出发，容易忽视电力系统“实时平衡”的物理规律。新能源的绿色价值必须建立在稳定消纳的前提上。

误区反正机组开着就别浪费，让它满出力发电，这样效率最高。

正解机组组合的核心是“何时开、何时停、发多少”三个决策的组合优化。满负荷虽然单机效率高，但负荷低谷时确实不需要那么高的总出力。更关键的是，每台机组有启动成本和最小运行时间约束，频繁启停或长时间低负荷运行都不经济。好主厨不会把所有灶都开到最大火，而是根据客流量精准控制火力。

为何常见：人们容易用“设备利用率越高越好”的直觉来理解发电厂，忽略了电力系统全局成本最优才是目标。

误区优化算法算出的调度方案是权威的，直接下发执行就行了，不需要再调整。

正解任何调度模型都基于预测数据，而预测一定有误差。负荷预测可能偏 3%，光伏预测可能偏 10%，日前计划和实时运行之间必须靠滚动优化和实时修正来衔接。调度员每 15 分钟就要重新求解一次滚动窗口，就像副厨每 15 分钟要巡一次厨房，随时调整出菜顺序，不能死守早上的排班表。

为何常见：离线模型效果展示好，容易让人高估其可靠性；实际工程部署考验的是模型在真实数据下的鲁棒性和在线更新能力。

面试题

Q1. 电网经济调度的核心目标是？

单选题 · easy

  • A.尽量多消纳清洁能源
  • B.最小化总发电成本← 正确答案
  • C.保持设备满负荷运行
  • D.实现零输电线路损耗

答案：B。经济调度的核心是在满足负荷和安全约束的前提下最小化总发电成本。清洁能源消纳是新能源场景下的重要目标但不是经济调度的定义，满负荷运行和零损耗都不现实也不一定是全局最优。好比主厨的目标是把晚餐成本压到最低，而不是让每台炉子都开足火。

Q2. 机组组合优化的核心决策是？

单选题 · mid

  • A.安排设备检修时间
  • B.选定传感器布点
  • C.启停机组与出力分配← 正确答案
  • D.设计分时电价套餐

答案：C。机组组合要同时解决三个问题：哪些机组开机、哪些停机、运行的机组各发多少电。检修计划是年度规划范畴，传感器布点是监测系统设计，分时电价则是市场机制设计，都不是机组组合的范畴。这就像排班表决定谁上灶、谁休息、每道菜火力多大。

Q3. 功率平衡等式表达的意思是？

单选题 · easy

  • A.发电量等于负荷加损耗← 正确答案
  • B.电压等于电流乘电阻
  • C.频率与功率成正比
  • D.新能源越多越稳定

答案：A。功率平衡要求任意时刻所有发电机总出力等于用户总负荷加上网损。这是电网运行的基本物理约束，违反它会导致频率偏离或停电。B 是欧姆定律，C 描述不严谨，D 的表述也不成立——新能源多反而需要更强的调度平衡能力。

Q4. 设置最小启停时间约束的原因是？

多选题 · mid

  • A.机组启动需要物理预热← 正确答案
  • B.频繁启停会缩短寿命← 正确答案
  • C.电价需要保持稳定
  • D.启停过程有额外花费← 正确答案

答案：ABD。机组从冷态到并网需要预热锅炉、升速、并列，这一过程耗时且消耗燃料，所以有最小运行时间要求。频繁启停会带来热应力，缩短设备寿命，也应避免。电价是市场机制的产物，不是机组物理约束，因此 C 不对。

Q5. 无功功率不足时，电网会？

单选题 · mid

  • A.系统频率持续升高
  • B.末端电压明显下降← 正确答案
  • C.线损率自动降为零
  • D.发电机转速无限增加

答案：B。无功功率支撑电压水平。无功不足时，电网末端电压会明显跌落，影响设备正常运行。频率主要由有功平衡决定，线损不会自动为零，发电机转速受调速器控制不会无限增加。就像厨房通风不畅时，火苗发红无力，温度上不去。

Q6. 弃风弃光现象常见的成因是？

多选题 · hard

  • A.新能源出力远超负荷← 正确答案
  • B.输电通道容量不足← 正确答案
  • C.风电场擅自停运
  • D.调峰机组响应太慢← 正确答案

答案：ABD。弃风弃光的本质是“电网吃不下”。新能源大发时负荷可能正在低谷，调峰机组调节速度跟不上，同时输电通道外送能力受限，只能被迫切除部分绿电。风电场擅自停运是违规行为，不是弃风弃光的正常技术原因，而是需要监管的问题。

Q7. 机组组合难用纯线性规划求解，关键原因在于？

单选题 · mid

  • A.因为总成本永远不变
  • B.因为没有等式约束
  • C.因为有启停离散变量← 正确答案
  • D.因为负荷始终恒定

答案：C。机组组合中的启停决策是 0/1 离散变量，这使问题变成混合整数规划，而不是纯线性规划。线性规划要求所有变量连续，无法表示“开或不开”这种二选一决策。成本会变化、约束很多、负荷也波动，所以 A/B/D 均不成立。

Q8. 启发式算法在电网优化中的价值？

多选题 · hard

  • A.快速找可行满意解← 正确答案
  • B.处理超大规模问题← 正确答案
  • C.严格保证全局最优
  • D.容易并行和落地← 正确答案

答案：ABD。启发式算法牺牲一定的全局最优性，换来计算速度和可扩展性，能处理混合整数规划难以在时限内求解的超大规模问题，且天然适合并行计算。C 错误——启发式算法不保证全局最优，这是它和精确算法的核心区别。

Q9. 功率因数接近1，说明？

单选题 · easy

  • A.无功占比变高
  • B.有功占比变高← 正确答案
  • C.电网频率变高
  • D.线路损耗变大

答案：B。功率因数是“有功功率占视在功率的比例”。接近 1 说明无功占比很低，电能大部分都做了有用功，线路损耗也更小。功率因数与频率没有直接关系，因此 C 不对。A 和 D 说反了。

Q10. 滚动时域优化的核心做法是？

单选题 · extreme

  • A.一次性解出整个周期
  • B.分段预测并反复重解← 正确答案
  • C.完全放弃预测环节
  • D.直接随机指定目标

答案：B。滚动时域优化只优化未来一段有限窗口，每过一个执行周期就用最新实测数据刷新预测，再次求解窗口内问题。它不追求一次性解出全天最优，而是持续滚动逼近真实运行状态。A 是一次性开环优化的思路，C 和 D 则放弃了对未来信息的利用，均不是滚动优化的特征。