Grid-SiPhyR：一种用于电力系统组合问题端到端学习优化的框架
系统与控制
2023-05-26 v3 机器学习
系统与控制
摘要
混合整数问题在决策中无处不在，从离散设备设置与设计参数、单元生产，到开关、路由和社交网络中的开/关或是否决策。尽管它们十分普遍，经典的组合优化方法在具有硬约束的动态且安全关键环境中，对于快速准确的决策仍然过于缓慢。为弥补这一差距，我们提出 SiPhyR（发音：cipher），一种用于组合问题端到端学习优化的物理信息机器学习框架。SiPhyR 采用一种新颖的物理信息舍入方法，在可微框架内解决组合优化挑战，并具有安全关键约束的可证明可满足性。我们在一个新兴的清洁能源系统范式——动态重构上展示了 SiPhyR 的有效性，其中电网拓扑和功率流被优化，以在间歇性可再生发电存在时维持安全可靠的电网。在无监督框架上基于代表性负荷与发电数据的离线训练，使得通过 Grid-SiPhyR 的在线应用进行动态决策在计算上可行。
引用
@article{arxiv.2206.06789,
title = {Grid-SiPhyR: An end-to-end learning to optimize framework for combinatorial problems in power systems},
author = {Rabab Haider and Anuradha M. Annaswamy},
journal= {arXiv preprint arXiv:2206.06789},
year = {2023}
}
备注
36 pages, 5 appendices