基于分位数约束学习的最优风电场布局
机器学习
2025-10-02 v1 机器学习
摘要
风电场布局在给定区域内安排多个风电场的大小与位置。功率输出在空间和时间水平上与风速高度相关，可通过高级数据驱动方法进行建模。为此，我们使用概率神经网络作为代理模型，考虑风速的时空相关性。该神经网络采用 ReLU 激活函数，可重构为混合整数线性约束集（constraint learning）。我们将这些约束嵌入布局决策问题中，将问题形式化为两阶段随机优化问题。具体而言，将总电力生产的条件分位数视为第二阶段的递归决策。我们使用西班牙北部地区的真实高分辨率区域数据。我们验证，约束学习方法优于经典的双线性插值方法。在风险厌恶投资者的情境下进行数值实验。结果表明，风险厌恶投资者集中于风力强的主导站点，同时表现出空间分散化和非主导站点的敏感容量分布。此外，我们展示如果引入输电线路成本，风险厌恶投资者倾向于选择靠近变电站的 Location。相反，风险中性投资者愿意前往更远的 Location 以实现更高的预期利润。我们的结论表明，所提出的新方法能够处理区域风电场布局组合，并为风险厌恶投资者提供指导。
引用
@article{arxiv.2510.01093,
title = {Optimal placement of wind farms via quantile constraint learning},
author = {Wenxiu Feng and Antonio Alcántara and Carlos Ruiz},
journal= {arXiv preprint arXiv:2510.01093},
year = {2025}
}