ReLU 深度神经网络的高效化简形式及其在电力系统优化中的代理建模应用
系统与控制
2026-01-22 v1 人工智能
系统与控制
摘要
电力系统去碳化进程推动对分布式能源资源的依赖，这些资源引入的复杂非线性相互作用在传统优化模型中难以捕捉。因此，机器学习 基于的代理建模方法日益受到关注，但将机器学习 模型（如 ReLU 深度神经网络，Deep Neural Networks, DNNs）直接集成到优化问题中常导致非凸且难以求解的形式。本文提出了一种针对具有非负权矩阵（除第一层之外）的经典化 ReLU DNN 的线性规划（LP） 重构方法，实现对学习到的代理模型在优化中的紧致可求解嵌入。我们采用案例研究评估该方法，针对挪威三代电容市场中的 prosumer 响应性问题构建聚合商竞标模型。该重构方法与最先进的替代方法（包括分段线性化（PWL）、基于混合整数规划（MIP）的嵌入及其他 LP 松弛）进行基准测试。在多种神经网络结构和市场情景下，经典化 ReLU DNN 在解的质量上与 PWL 和 MIP 嵌入相当，同时在计算性能上显著提升，模型保真度也得到保持，这与惩罚性重构不同。结果表明，经典化 ReLU DNN 提供了一种可扩展且可靠的代理建模集成方法，适用于广泛的新兴电力系统应用场景。
引用
@article{arxiv.2601.14673,
title = {Efficient reformulations of ReLU deep neural networks for surrogate modelling in power system optimisation},
author = {Yogesh Pipada Sunil Kumar and S. Ali Pourmousavi and Jon A. R. Liisberg and Julian Lesmos-Vinasco},
journal= {arXiv preprint arXiv:2601.14673},
year = {2026}
}
备注
24 pages, 7 figures, 3 tables