[论文解读] Decision-Oriented Learning for Future Power System Decision-Making under Uncertainty

Ran Li, Haipeng Zhang+5 more|arXiv (Cornell University)|Jan 8, 2024

Energy Load and Power Forecasting参考文献 87被引用 5

一句话总结

本论文综述了面向决策的学习（DOL）在电力系统中的应用，展示端到端的决策损失如何优于传统以预测为重点的学习，并回顾应用、挑战与方法。

ABSTRACT

Better forecasts may not lead to better decision-making. To address this challenge, decision-oriented learning (DOL) has been proposed as a new branch of machine learning that replaces traditional statistical loss with a decision loss to form an end-to-end model. Applications of DOL in power systems have been developed in recent years. For renewable-rich power systems, uncertainties propagate through sequential tasks, where traditional statistical-based approaches focus on minimizing statistical errors at intermediate stages but may fail to provide optimal decisions at the final stage. This paper first elaborates on the mismatch between more accurate forecasts and more optimal decisions in the power system caused by statistical-based learning (SBL) and explains how DOL resolves this problem. Secondly, this paper extensively reviews DOL techniques and their applications in power systems while highlighting their pros and cons in relation to SBL. Finally, this paper identifies the challenges to adopt DOL in the energy sector and presents future research directions.

研究动机与目标

• 解释在可再生能源丰富的电力系统中预测准确性与决策质量之间的错配。
• 引入并激励面向决策的学习（DOL）作为统计基础学习的端到端替代方案。
• 回顾 DOL 技术及其在电力系统中的应用。
• 将 DOL 与统计型学习（SBL）进行比较并讨论优缺点。
• 确定在能源领域采用 DOL 的挑战并提出未来研究方向。

提出的方法

• 在电力系统的背景下对 DOL 进行概念分析。
• 对 DOL 技术及其在电力系统中的应用进行文献综述。
• 讨论相对于 SBL，DOL 的优点与缺点。
• 组织并汇总现有应用、分类和结果。
• 识别采用中的实际挑战并概述未来研究方向。

实验结果

研究问题

• RQ1 在不确定性下的电力系统决策中，预测准确性与最优决策质量之间的错配是什么？
• RQ2 DOL 如何解决电力系统中预测与决策之间的错配？
• RQ3 与传统统计型学习（SBL）相比，DOL 在可再生能源丰富系统中的优点与局限性有哪些？
• RQ4 存在哪些阻碍能源部门采用 DOL 的挑战，以及提出了哪些未来研究方向？

主要发现

• DOL 以面向决策的损失取代传统统计损失，使学习与最终决策质量保持一致。
• DOL 已被应用于电力系统问题，其相对于 SBL 的利弊权衡。
• 论文将预测准确性与决策最优性之间的错配作为 DOL 的核心动机。
• 它综述了技术与应用，概述了 DOL 在可再生能源丰富场景中的利弊。
• 它指出采用中的实际挑战并提出未来研究方向。