面向大规模容量扩展问题的时空聚合学习
机器学习
2023-03-23 v2 系统与控制
系统与控制
摘要
有效的投资规划决策对确保信息物理基础设施在较长时间范围内满足性能要求至关重要。计算这些决策常需求解容量扩展问题（CEPs）。在区域尺度能源系统背景下，由于网络规模大、节点特性异构以及运行周期数量多，这类问题求解极为昂贵。为保持可解性，传统方法对网络节点进行聚合和/或选取一组代表性时间段。此类简化常无法捕捉对 CEP 成本与约束有关键影响的供需变化，导致次优决策。本文提出一种新颖的图卷积自编码器方法，用于对带异构节点的通用 CEP（CEPHN）进行时空聚合。我们的架构利用图池化识别特征相似节点，并最小化多目标损失函数。该损失函数专为诱导利于可解性与最优性的时空聚合而设计。具体而言，图池化输出提供空间聚合，而对低维编码表示聚类得到时间聚合。我们将该方法应用于新英格兰一个耦合的 88 节点电力与天然气系统的发电扩展规划。所得聚合得到一个更简单的 CEPHN，含 6 个节点及从一年中选取的少量代表性日。我们在控制损失函数的系列超参数下评估聚合结果，并将所得原问题上限与基准方法获得的上限比较。结果表明，我们的方法所提供的上限比基准空间（resp. 时间）聚合方法所得低 33%（resp. 10%）。
引用
@article{arxiv.2303.08996,
title = {Learning Spatio-Temporal Aggregations for Large-Scale Capacity Expansion Problems},
author = {Aron Brenner and Rahman Khorramfar and Saurabh Amin},
journal= {arXiv preprint arXiv:2303.08996},
year = {2023}
}