应用驱动学习:一种应用于动态备用与需求预测的闭环预测与优化方法
最优化与控制
2024-04-09 v5 机器学习
系统与控制
系统与控制
统计方法学
机器学习
摘要
预测与决策通常被建模为两个无反馈的顺序步骤,遵循开环方法。本文提出应用驱动学习,一种将预测与决策过程通过双层优化问题融合并协同优化的新型闭环框架。我们以通用形式给出方法,并证明该解在所选应用的期望成本意义上收敛到最佳估计器。随后,我们提出两种求解方法:一种基于二级问题KKT条件的精确方法,以及一种适用于分解方法的可扩展启发式方法。所提方法应用于定义动态备用需求和条件负荷预测这一相关问题,为工业实践中当前的特设流程提供了替代方案。我们将该方法与标准顺序最小二乘预测与调度规划流程进行基准对比。我们将所提方法应用于一个示例系统以及从数十个总线到具有数千个总线的大规模实际系统的一系列实例。结果表明,所提方法具有可扩展性,且始终优于标准开环方法。
引用
@article{arxiv.2102.13273,
title = {Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting},
author = {Joaquim Dias Garcia and Alexandre Street and Tito Homem-de-Mello and Francisco D. Muñoz},
journal= {arXiv preprint arXiv:2102.13273},
year = {2024}
}