安全约束经济调度中相关运行备用需求的端到端学习
最优化与控制
2026-04-08 v1 系统与控制
系统与控制
摘要
安全约束经济调度（SCED）中的运行备用需求强烈依赖于可再生能源预测误差的假设相关结构，然而该结构通常由外部指定而非针对调度任务本身学习。本文将相关备用集设计形式化为一个端到端可训练的鲁棒优化问题：选择椭球不确定性集形状以最小化鲁棒调度成本，同时满足目标覆盖要求。通过将覆盖约束剖析为形状依赖的半径，原双层问题变为单阶段可微分目标，SCED 求解的 KKT/对偶信息提供了任务梯度而无需对求解器进行微分。对于未知分布，四路训练/调优/校准/测试拆分结合用于训练的平滑分位数敏感性估计器和用于部署的分层共形校准，在交换性下产生有限样本边际覆盖和光滑目标的一致梯度估计器。同一任务梯度也可向上游传递至上下文相关编码器，我们将其报告为次要扩展。该框架在 IEEE 118 母线系统上进行了评估，采用包含区域间传输约束的耦合 SCED 形式化。学习到的静态椭球相比样本协方差基线将调度成本降低了约 4.8%，同时保持经验覆盖在目标水平之上。
引用
@article{arxiv.2604.05167,
title = {End-to-End Learning of Correlated Operating Reserve Requirements in Security-Constrained Economic Dispatch},
author = {Owen Shen and Hung-po Chao and Haihao Lu and Patrick Jaillet},
journal= {arXiv preprint arXiv:2604.05167},
year = {2026}
}