集成学习与优化以控制负荷需求和风力发电，最小化实时电力市场中的爬坡成本
摘要
我们开发了一种新的集成学习与优化（ILO）方法，用于预测经济调度（ED）中上下文感知的未知参数，经济调度是电力系统中一个关键问题，其求解旨在生成最优的电力调度决策以满足用户负荷。当前研究中的ED公式包含负荷和可再生能源发电作为其约束中的未知参数，这些参数利用上下文信息（例如，历史负荷、温度）进行预测。ILO框架通过最小化一个特定于应用的遗憾函数来训练神经网络（NN）以估计ED参数，该遗憾函数是真实决策与神经网络驱动决策之间的差异，旨在支持更好的ED决策。我们深入分析了ED公式的可行域，以理解负荷和可再生能源学习共同对ED决策的影响。据此，我们开发了一个新的遗憾函数来捕捉实时电力市场运行，其中预测负荷与真实负荷的差异由发电机在实时中通过爬坡来纠正，但成本高于市场价格。当使用ILO框架最小化所提出的遗憾函数时，它训练神经网络引导负荷和可再生能源预测，以生成有利于最小化发电机爬坡成本的ED决策。这不同于传统的顺序学习与优化（SLO）框架，后者训练神经网络是为了准确估计负荷和可再生能源，而非为了更好的ED决策。使用ILO对负荷和可再生能源进行联合训练是一个新概念，与基于SLO的负荷和可再生能源训练以及SLO训练负荷加100%准确可再生能源相比，它显著改善了爬坡成本，证明了其以决策为中心的能力。
引用
@article{arxiv.2508.09774,
title = {Integrated Learning and Optimization to Control Load Demand and Wind Generation for Minimizing Ramping Cost in Real-Time Electricity Market},
author = {Imran Pervez and Omar Knio},
journal= {arXiv preprint arXiv:2508.09774},
year = {2025}
}
备注
The preprint was submitted to disseminate the idea as soon as possible and was submitted without asking one of the authors listed in the manuscript as he was the supervisor. Moreover, the submitted preprint mentions being submitted in a journal while it has not yet been submitted in a journal yet. The institute thus asked to withdraw the preprint