融合机器学习的分布式优化用于虚拟电厂资产协调
机器学习
2024-05-17 v2 系统与控制
系统与控制
摘要
在分布式能源资源（DERs）部署兴趣日益增长的背景下，虚拟电厂（VPP）已成为聚合多样 DERs 并促进其参与批发能源市场的关键工具。这些 VPP 部署受到联邦能源监管委员会 222 号命令的推动，该命令使 DERs 与 VPPs 在各市场段中具有竞争力。然而，DERs 的多样性与去中心化特性给 VPP 资产的可扩展协调带来重大挑战。为解决效率与速度瓶颈，本文提出一种新颖的机器学习辅助分布式优化以协调 VPP 资产。我们的方法名为 LOOP-MAC（Learning to Optimize the Optimization Process for Multi-agent Coordination，多智能体协调的优化过程学习优化），采用多智能体协调视角，其中每个 VPP 智能体管理多个 DERs 并利用神经网络近似器加速解搜索。LOOP-MAC 方法采用一种规范映射以保证严格满足局部约束，有效减少对额外后处理步骤的需求。我们的结果凸显了 LOOP-MAC 的优势，展示了每迭代加速的求解时间与显著减少的收敛时间。LOOP-MAC 方法在需要重复与顺序执行的优化任务中优于常规集中式与分布式优化方法。
引用
@article{arxiv.2310.17882,
title = {Machine Learning Infused Distributed Optimization for Coordinating Virtual Power Plant Assets},
author = {Meiyi Li and Javad Mohammadi},
journal= {arXiv preprint arXiv:2310.17882},
year = {2024}
}