[论文解读] COMANDO: A Next-Generation Open-Source Framework for Energy Systems Optimization

Marco Langiu, David Yang Shu+8 more|arXiv (Cornell University)|Feb 3, 2021

Integrated Energy Systems Optimization参考文献 89被引用 63

一句话总结

COMANDO 是一个开源的、面向组件的 Python 框架，用于集成能源系统的非线性、动态和随机优化。它支持混合机理/数据驱动组件的灵活建模，支持高级公式如随机规划和代理建模，并提供可扩展的全局优化工具，通过四个多样化的案例研究展示了其多功能性，包括使用神经网络进行动态和随机优化。

ABSTRACT

Existing open-source modeling frameworks dedicated to energy systems optimization typically utilize (mixed-integer) linear programming ((MI)LP) formulations, which lack modeling freedom for technical system design and operation. We present COMANDO, an open-source Python package for component-oriented modeling and optimization for nonlinear design and operation of integrated energy systems. COMANDO allows to assemble system models from component models including nonlinear, dynamic and discrete characteristics. Based on a single system model, different deterministic and stochastic problem formulations can be obtained by varying objective function and underlying data, and by applying automatic or manual reformulations. The flexible open-source implementation allows for the integration of customized routines required to solve challenging problems, e.g., initialization, problem decomposition, or sequential solution strategies. We demonstrate features of COMANDO via case studies, including automated linearization, dynamic optimization, stochastic programming, and the use of nonlinear artificial neural networks as surrogate models in a reduced-space formulation for deterministic global optimization.

研究动机与目标

• 解决现有 (M)ILP 建模框架在非线性、动态和不确定性能源系统设计与运行方面存在的不足，超越传统 (M)ILP 公式。
• 通过混合机理与数据驱动模型，实现面向组件的建模，提升技术系统设计中的建模自由度。
• 通过两阶段随机规划，支持在不确定性下同时优化设计与运行。
• 促进自定义算法的集成，包括初始化、分解和顺序求解策略。
• 提供灵活且可扩展的框架，用于算法开发和先进优化技术，如基于代理模型的全局优化。

提出的方法

• 使用 SymPy 作为核心计算引擎，对数学表达式进行符号运算和自动重公式化（例如线性化）。
• 通过微分代数方程（DAE）对组件进行非线性、动态和离散特性建模，实现对系统动态行为的精确表示。
• 通过改变目标函数和数据输入，支持多种问题公式——确定性、随机性和降维空间优化。
• 在降维空间公式中集成人工神经网络作为代理模型，用于确定性全局优化。
• 提供模块化、可重用的组件模型，可互联形成复杂的系统架构。
• 支持优化问题的自动与手动重公式化，增强与各类求解器的兼容性。

实验结果

研究问题

• RQ1 与现有的 (M)ILP 基础的 ESMF 相比，面向组件的开源框架是否能更有效地支持集成能源系统的非线性和动态优化？
• RQ2 如何将混合机理/数据驱动模型无缝集成到单一优化框架中用于能源系统？
• RQ3 在灵活且可扩展的开源框架中，不确定性下的随机规划公式能在多大程度上高效实现？
• RQ4 基于神经网络的代理模型是否能提高复杂能源系统中确定性全局优化的效率？
• RQ5 该框架如何支持高级算法开发，如问题分解或顺序求解策略？

主要发现

• COMANDO 有效实现了对具有非线性、动态和离散特性的能源系统的优化，克服了传统 (M)ILP 框架的局限性。
• 该框架支持非线性模型的自动线性化，展示了其高效处理复杂重公式任务的能力。
• 通过 DAE 建模实现了换热器网络的动态优化，准确反映了瞬态行为。
• 成功应用了随机规划公式，在不确定需求和价格情景下优化系统设计，提升了鲁棒性。
• 在降维空间公式中使用非线性人工神经网络作为代理模型的案例研究，实现了显著计算节省的确定性全局优化。
• 该框架的模块化和可扩展架构支持自定义求解策略、初始化例程和求解器接口的集成，显著增强了其在复杂问题中的适应能力。