[论文解读] Application-Driven Learning via Joint Prediction and Optimization of Demand and Reserves Requirement

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

Energy Load and Power Forecasting参考文献 41被引用 8

一句话总结

本文提出一种闭环学习框架，通过双层优化联合优化负荷预测与备用需求预测，消除了传统方法中顺序传播的误差。该方法在不同规模的电力系统中均实现了更低的运行成本和更优的系统性能，且具备理论上的渐近收敛性与可扩展的求解方法。

ABSTRACT

Forecasting and decision-making are generally modeled as two sequential steps with no feedback, following an open-loop approach. In power systems, operators first forecast loads trying to minimize errors with respect to historical data. They also size reserve requirements based on error estimates. Next, energy and reserves are scheduled and the system is operated following the dispatch schedule, deploying reserves as needed to accommodate forecast errors. However, co-optimizing these processes may lead to better decisions and result in lower operating costs than when they are considered sequentially. In this paper, we present a new closed-loop learning framework in which the processes of forecasting and decision-making are merged and co-optimized through a bilevel optimization problem. We prove asymptotic convergence of the method and propose two solution approaches: an exact method based on the KKT conditions of the second level problem, and a scalable heuristic approach suitable for decomposition methods. 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 systems ranging from dozens to thousands of buses. Our results show that the proposed approach yields consistently better performance than the standard open-loop approach.

研究动机与目标

• 解决传统电力系统中顺序预测与决策方法的局限性，这些方法将负荷预测与备用容量规划视为独立步骤，缺乏反馈机制。
• 克服开环方法中因未考虑预测误差对备用容量规划或经济调度的影响而导致的次优结果。
• 开发一种统一的学习框架，将负荷预测与备用需求预测整合为单一闭环优化过程。
• 确保理论上的收敛性与计算可扩展性，以支持从小型到大型网络的实际部署。
• 在多种系统配置下，证明该方法在性能上优于标准的顺序最小二乘预测与经济调度流程。

提出的方法

• 将问题建模为双层优化：上层优化负荷与备用参数，下层求解经济调度与备用部署问题。
• 利用Karush-Kuhn-Tucker（KKT）条件，通过将下层问题的最优性条件嵌入上层问题，推导出精确的求解方法。
• 提出一种可扩展的启发式方法，支持问题分解，适用于包含数千个母线的大型系统。
• 通过联合预测负荷与备用需求，以最小化系统整体运行成本，而非孤立地最小化预测误差。
• 在所提出的联合优化结构下，确保学习框架的渐近收敛性。
• 将该框架应用于示范性系统与大规模电力系统，以验证其性能与可扩展性。

实验结果

研究问题

• RQ1 联合优化负荷预测与备用需求预测是否能实现低于传统顺序预测与经济调度的运行成本？
• RQ2 所提出的闭环学习框架在系统性能与成本效率方面，相较于传统开环方法有何改进？
• RQ3 针对联合预测与优化框架，可建立哪些理论保证，例如收敛性？
• RQ4 当应用于从数十个到数千个母线的各类规模电力系统时，该方法的可扩展性如何？
• RQ5 在精度与计算可行性方面，基于KKT的精确方法与启发式分解方法相比有何相对优势？

主要发现

• 所提出的闭环框架在运行成本降低方面，始终优于标准的顺序最小二乘预测与经济调度流程。
• 该方法实现了渐近收敛，确保在所提出的双层结构下获得可靠的优化结果。
• 基于KKT条件的精确求解方法为联合优化框架提供了坚实的理论基础。
• 启发式方法支持可扩展部署，特别适用于包含数千个母线的大型系统中的分解计算。
• 在从小型示范系统到大型复杂网络的广泛系统规模中，均观察到性能提升。
• 预测与决策的联合优化可实现更稳健的备用容量配置，并降低运行中对校正措施的依赖。