[论文解读] Data-Driven Screening of Network Constraints

Salvador Pineda, Juan M. Morales+1 more|arXiv (Cornell University)|Jul 10, 2019

Electric Power System Optimization被引用 1

一句话总结

本文提出一种数据驱动方法，通过学习输电线路的历史阻塞模式，排除非阻塞线路，从而降低传输约束机组组合（TC-UC）问题的计算复杂度。该方法利用历史负荷与可再生能源出力数据，构建一个规模更小、求解更快的TC-UC问题，可在中型和大型系统上实现显著的加速，同时保持与约束生成方法兼容，确保最优性保证。

ABSTRACT

The transmission-constrained unit commitment (TC-UC) problem is one of the most relevant problems solved by independent system operators for the daily operation of power systems. Given its computational complexity, this problem is usually not solved to global optimality for real-size power systems. In this paper, we propose a data-driven method that leverages historical information to screen out network constraints in the TC-UC problem. First, past data on demand and renewable generation throughout the network are used to learn the congestion status of transmission lines. Then, we infer the lines that will not become congested for upcoming operating conditions based on such learning and disregard their capacity constraints. This way, we formulate a reduced TC-UC problem that is easier to solve. Numerical results on a medium- and a large-size power system show that the proposed approach outperforms existing ones by significantly reducing the computational time while obtaining solutions that are equal or close to the one obtained with the original TC-UC problem. Furthermore, the purely data-driven method we propose can be seamlessly complemented with a constraint generation procedure to guarantee that the optimal solution to the original TC-UC problem is eventually recovered.

研究动机与目标

• 为解决实际规模电力系统中传输约束机组组合（TC-UC）问题的高计算复杂度问题。
• 通过识别并排除未来运行条件下不太可能发生阻塞的输电线路，减小TC-UC问题的规模。
• 开发一种完全基于数据的筛选方法，避免依赖启发式或基于模型的阻塞预测假设。
• 确保简化后的问题在实际中可求解，同时通过约束生成实现最优解的恢复。
• 在中型和大型电力系统上展示该方法的有效性，实现显著的计算时间节省。

提出的方法

• 利用系统级负荷与可再生能源出力的历史数据，训练模型以预测输电线路的阻塞状态。
• 模型学习不同运行条件下线路阻塞的模式，识别在未来的运行情景下保持非阻塞的线路。
• 将预测为非阻塞的线路从TC-UC公式中排除，从而得到一个约束更少的简化优化问题。
• 该简化后的TC-UC问题求解效率更高，相比完整问题显著降低了计算时间。
• 集成约束生成过程，通过迭代验证和恢复被排除的约束，确保最终解与原始TC-UC问题的最优解一致。
• 该方法完全基于数据，筛选过程无需显式潮流模型或系统参数假设。

实验结果

研究问题

• RQ1 历史系统数据能否有效用于预测未来运行条件下哪些输电线路不会发生阻塞？
• RQ2 排除非阻塞线路在多大程度上能降低求解TC-UC问题的计算负担，同时不牺牲解的质量？
• RQ3 与现有方法相比，该数据驱动筛选方法在解质量与计算效率方面的表现如何？
• RQ4 该方法能否与约束生成结合，以保证恢复原始TC-UC问题的最优解？
• RQ5 该数据驱动筛选方法在大规模电力系统上是否具备可扩展性与有效性？

主要发现

• 所提出的基于数据的筛选方法在中型和大型电力系统上显著降低了求解TC-UC问题的计算时间。
• 从简化后的TC-UC问题中获得的解，要么等于原始问题的最优解，要么非常接近。
• 该方法在保持高解质量的同时实现了显著的加速，在计算效率方面优于现有方法。
• 约束生成的集成确保了能够以高置信度恢复原始TC-UC问题的最优解。
• 该方法在实际规模的电力系统上具备可扩展性与有效性，对系统调度员具有实际应用价值。
• 该方法完全基于数据的特性使其可无缝部署，无需依赖详细的系统建模或假设。