[论文解读] Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting

Joaquim Dias Garcia, Alexandre Street+2 more|arXiv (Cornell University)|Feb 26, 2021

Energy Load and Power Forecasting被引用 8

一句话总结

本文提出应用驱动学习，这是一种闭环框架，通过双层优化联合优化预测与决策，以提升电力系统中的动态备用和负荷预测。通过整合预测与运行成本最小化，该方法优于标准的开环方法，在长期运行成本更低的同时，具备扩展至含数千个母线的大规模系统的能力。

ABSTRACT

Forecasting and decision-making are generally modeled as two sequential steps with no feedback, following an open-loop approach. In this paper, we present application-driven learning, a new closed-loop framework in which the processes of forecasting and decision-making are merged and co-optimized through a bilevel optimization problem. We present our methodology in a general format and prove that the solution converges to the best estimator in terms of the expected cost of the selected application. Then, we propose two solution methods: an exact method based on the KKT conditions of the second-level problem and a scalable heuristic approach suitable for decomposition methods. The proposed methodology is applied to the relevant problem of defining dynamic reserve requirements and conditional load forecasts, offering an alternative approach to current ad hoc procedures implemented in industry practices. We benchmark our methodology with the standard sequential least-squares forecast and dispatch planning process. We apply the proposed methodology to an illustrative system and to a wide range of instances, from dozens of buses to large-scale realistic systems with thousands of buses. Our results show that the proposed methodology is scalable and yields consistently better performance than the standard open-loop approach.

研究动机与目标

• 为解决电力系统中开环预测与决策的局限性，即预测与决策分离且缺乏反馈。
• 开发一种闭环框架，联合优化预测与运行决策，以最小化长期系统成本。
• 为当前行业实践中设置动态备用需求与负荷预测的临时性做法，提供理论基础坚实、可扩展且透明的替代方案。
• 在真实电力系统中验证该方法的有效性，包括含数千个母线的大规模实例。

提出的方法

• 该框架将双层优化问题形式化：上层基于预测的不确定性最小化期望运行成本，下层在这些预测下求解决策问题（如经济调度）。
• 利用下层问题的KKT条件，推导出精确解法，实现针对应用特定成本的最优估计器收敛。
• 提出一种可扩展的启发式方法，以最小二乘估计为初始值，迭代改进性能，支持分解与热启动技术，适用于大规模问题。
• 该方法可内生确定网络中最佳的备用容量与位置，独立于外生预测模型。
• 该框架支持一般类型的不确定性，可通过启发式方法扩展至非线性与整数规划问题。
• 该方法通过云计算实现，对于含最多13,659个母线的系统，训练时间在30分钟以内。

实验结果

研究问题

• RQ1 在存在预测误差的情况下，使长期系统运行成本最小化的最优负荷预测偏差是什么？
• RQ2 动态备用需求与负荷预测偏差如何共同演化以最小化电力系统运行成本？
• RQ3 能否通过一种联合优化预测与决策的闭环框架，优于标准的开环最小二乘预测与基于规则的备用设定方法？
• RQ4 该方法在扩展至含数千个母线的大规模真实电力系统方面，其可扩展性如何？
• RQ5 在大规模实例上，该启发式方法在解质量与计算时间方面与精确方法相比表现如何？

主要发现

• 即使计算资源有限，所提出的框架仍持续降低长期运行成本，优于标准的开环预测与经济调度方法。
• 存在一个最优预测偏差，可最大化系统性能，且该偏差与最优备用容量存在内在关联，证明了二者的相互依赖性。
• 该方法成功扩展至大规模电力系统，包括IEEE 300母线系统及含最多13,659个母线的系统，使用云计算在30分钟内完成求解。
• 通过利用热启动与分解技术，该启发式方法在合理时间内提供高质量解，所有测试系统均观察到性能提升。
• 该框架可内生确定与系统运营商目标及网络特性最佳匹配的区域备用需求。
• 实证结果表明，联合优化负荷预测与备用需求可实现持续的成本降低，即使输入为外生预测亦然。