一种用于求解不确定性下输电扩展规划问题的机器学习增强 Benders 分解方法
系统与控制
2024-09-25 v1 系统与控制
摘要
能源部门必要的脱碳努力需要集成灵活性资产，并为电力系统的规划与运行带来更高水平的不确定性。为以经济高效的方式应对这一点，输电扩展规划（TEP）模型需逐步纳入更多细节，以表征潜在的长期系统发展以及含间歇性可再生发电的电网运行。然而，TEP 研究日益增加的建模复杂性很容易导致计算上难解的优化问题。当前，大多数应对计算难解性的技术会改变原问题，从而忽略关键建模方面或影响最优解的结构。本文中，我们提出一种替代方法，以显著缓解大规模 TEP 问题的计算负担。我们的方法将机器学习（ML）与成熟的 Benders 分解相结合，在保持解质量的同时管控问题规模。所提出的 ML 增强多割 Benders 分解算法通过监督学习技术识别有效与无效的 optimality cuts（最优性割），从而提升计算效率。我们基于 IEEE24 与 IEEE118 测试系统，并考虑储能投资选项，求解若干不同规模的多阶段 TEP 问题，以此阐明所提方法的益处。
引用
@article{arxiv.2304.07534,
title = {A Machine Learning-Enhanced Benders Decomposition Approach to Solve the Transmission Expansion Planning Problem under Uncertainty},
author = {Stefan Borozan and Spyros Giannelos and Paola Falugi and Alexandre Moreira and Goran Strbac},
journal= {arXiv preprint arXiv:2304.07534},
year = {2024}
}