学习最优调度功率:在全国真实世界数据集上的性能
机器学习
2025-06-02 v1 最优化与控制
摘要
最优无功功率调度(ORPD)问题在电力系统运行中起着至关重要的作用,可确保电压稳定性并最小化功率损耗。机器学习的最新进展,特别是在“学习优化”框架内,实现了对 ORPD 解的快速高效近似,通常通过在预计算的优化结果上训练模型来实现。尽管这些方法在合成数据集上展现出了有前景的性能,但它们在真实世界电网条件下的有效性在很大程度上仍未被探索。本文做出了两项关键贡献。首先,我们引入了一个公开可用的电力系统数据集,该数据集包含乌拉圭电网的结构特征以及近两年的真实世界运行数据,涵盖实际的负荷和发电曲线。鉴于乌拉圭可再生能源的高渗透率,ORPD 问题已成为其电网中的主要优化挑战。其次,我们评估了真实世界数据对基于学习的 ORPD 解的影响,揭示了从合成输入过渡到实际负荷和发电输入时预测误差的显著增加。我们的结果突出了现有模型在真实电网条件的复杂统计特性下进行学习的局限性,并强调了对更具表达力架构的需求。通过提供该数据集,我们旨在促进对用于电力系统管理的鲁棒基于学习的优化技术的进一步研究。
引用
@article{arxiv.2505.24505,
title = {Learning to Optimally Dispatch Power: Performance on a Nation-Wide Real-World Dataset},
author = {Ignacio Boero and Santiago Diaz and Tomás Vázquez and Enzo Coppes and Pablo Belzarena and Federico Larroca},
journal= {arXiv preprint arXiv:2505.24505},
year = {2025}
}