用于学习可靠性评估承诺的置信度感知图神经网络
机器学习
2023-06-13 v3 最优化与控制
摘要
由于可再生能源在发电组合中所占份额增大及预测误差增加，可靠性评估承诺（RAC）优化在电网运行中日益重要。独立系统运营商（ISO）也旨在采用更细的时间粒度、更长的时间范围以及可能的随机公式，以获得额外的经济和可靠性效益。本文旨在解决扩展 RAC 公式范围所带来的计算挑战。本文提出 RACLearn 框架，该框架（1）使用基于图神经网络（GNN）的架构来预测发电机承诺和活跃线路约束，（2）为每个承诺预测关联一个置信度值，（3）选择高置信度预测的子集，（4）对这些子集进行可行性修复，以及（5）用可行的预测和活跃约束作为种子，启动一个最先进的优化算法。在 Midcontinent 独立系统运营商（MISO）使用的精确 RAC 公式和一个实际输电网络（8965 条输电线路、6708 个母线、1890 台发电机和 6262 个负荷单元）上的实验结果表明，RACLearn 框架可以将 RAC 优化速度提升 2 到 4 倍，且解的质量损失可忽略不计。
引用
@article{arxiv.2211.15755,
title = {Confidence-Aware Graph Neural Networks for Learning Reliability Assessment Commitments},
author = {Seonho Park and Wenbo Chen and Dahye Han and Mathieu Tanneau and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2211.15755},
year = {2023}
}
备注
Submitted to IEEE Transactions on Power Systems