面向大规模安全约束经济调度的优化代理学习
机器学习
2021-12-28 v1 系统与控制
系统与控制
最优化与控制
摘要
安全约束经济调度（SCED）是输电系统运营商（TSO）用于出清实时能源市场同时保障电网可靠运行的基础优化模型。在由可再生能源发电与分布式能源渗透率提高带来的运行不确定性日益增长的背景下，运营商必须在实时中持续监控风险，即必须快速评估系统在各种负荷与可再生能源出力变化下的行为。遗憾的是，在实时运行的严格约束下，对每种情景系统性地求解优化问题并不现实。为克服此限制，本文提出学习 SCED 的优化代理，即一个机器学习（ML）模型，可在毫秒内预测 SCED 的最优解。受 MISO 市场出清优化的原则性分析启发，本文提出一种新颖的 ML 流水线，应对学习 SCED 解的主要挑战，即负荷、可再生能源出力与生产成本的变异性，以及机组组合决策的组合结构。还提出了一种新颖的“先分类后回归”架构，以进一步捕获 SCED 解的行为。在法国输电系统上进行了数值实验，证明了该方法能在兼容实时运行的时间范围内生成精确优化代理，相对误差低于 。
引用
@article{arxiv.2112.13469,
title = {Learning Optimization Proxies for Large-Scale Security-Constrained Economic Dispatch},
author = {Wenbo Chen and Seonho Park and Mathieu Tanneau and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2112.13469},
year = {2021}
}
备注
The paper is the extension version of the paper submitted to PSCC2022