面向电力市场出清的机器学习方法
系统与控制
2022-07-12 v1 机器学习
系统与控制
最优化与控制
摘要
本文旨在设计最优潮流（OPF）优化的机器学习孪生模型，该优化被批发电力市场用于市场出清程序。所提方法的动机源于对数字孪生的需求：其远比原始模型快，同时足够准确，并能产生一致的发电调度与节点边际电价（LMP），二者分别为 OPF 优化的原始与对偶解。基于该方法的市场出清工具的可用性将使得在给定机组组合下对多种调度场景进行计算上易处理的评估成为可能。我们不直接求解 OPF，而是写出相关 OPF 问题的 Karush-Kuhn-Tucker（KKT）条件，并并行地将发电机与负荷的 LMP 用 OPF 拉格朗日乘子表示。此外，利用线路相关的许多拉格朗日乘子为零（热极限不紧）这一实际事实，我们构建并训练了一个 ML 方案，将灵活资源（负荷与可再生能源）映射到紧约束线路，并以高效的电网感知线性映射补充至最优调度与 LMP。该方案在 IEEE 模型上得到验证与说明。我们还给出了重建质量与训练所需样本数之间的权衡分析。
引用
@article{arxiv.2205.11641,
title = {Machine Learning for Electricity Market Clearing},
author = {Laurent Pagnier and Robert Ferrando and Yury Dvorkin and Michael Chertkov},
journal= {arXiv preprint arXiv:2205.11641},
year = {2022}
}
备注
Accepted for presentation in 11th Bulk Power Systems Dynamics Sympsium (IREP 2022), July 25-30, 2022, Banff, Canada