[论文解读] Effective End-to-End Learning Framework for Economic Dispatch

Chenbei Lu, Kui Wang+1 more|arXiv (Cornell University)|Feb 22, 2020

Energy Load and Power Forecasting被引用 5

一句话总结

本文提出了一种无需模型的端到端机器学习框架，用于经济调度，通过使用任务特定的优化准则替代传统的均方误差（MSE）损失，直接最小化调度成本。通过设计高效的优化核并利用数据驱动学习，该框架在IEEE 39节点系统上尽管预测误差更高，仍将调度成本降低了8.24%，在有效性和效率方面均优于传统的基于MSE的方法。

ABSTRACT

Conventional wisdom to improve the effectiveness of economic dispatch is to design the load forecasting method as accurately as possible. However, this approach can be problematic due to the temporal and spatial correlations between system cost and load prediction errors. This motivates us to adopt the notion of end-to-end machine learning and to propose a task-specific learning criteria to conduct economic dispatch. Specifically, to maximize the data utilization, we design an efficient optimization kernel for the learning process. We provide both theoretical analysis and empirical insights to highlight the effectiveness and efficiency of the proposed learning framework.

研究动机与目标

• 解决传统负荷预测指标（如MSE）与实际经济调度目标之间的不匹配问题，后者是在不确定性下实现成本最小化。
• 克服在电力系统随机优化问题中端到端学习常见的低效与低数据利用率问题。
• 开发一种鲁棒且可扩展的学习框架，直接优化调度成本而非预测精度。
• 通过优化核构建避免在每次迭代中求解复杂的多变量随机规划问题，从而提升训练效率。
• 通过将训练时间缩短至接近传统水平，实现大规模电力系统中的实际部署，同时保持优越的调度性能。

提出的方法

• 用直接最小化经济调度中期望发电成本与偏差成本的任务特定学习准则，替代标准的基于MSE的损失。
• 通过利用随机优化问题的结构特性，设计高效的优化核，实现在每一步无需求解完整约束程序即可快速计算梯度。
• 构建无需模型的端到端框架，放松对负荷预测分布的假设，增强对分布偏移的鲁棒性。
• 将优化核集成到深度学习流水线中，在保持对真实调度目标高保真度的同时加速训练。
• 使用随机逼近与基于梯度的优化方法，在历史负荷与发电数据上端到端训练模型。
• 在不同分布假设下，于合成数据和真实系统（如IEEE 39节点）上验证该框架。

实验结果

研究问题

• RQ1 尽管预测误差可能更高，用任务特定准则替代基于MSE的损失是否能实现更低的经济调度成本？
• RQ2 能否构建一个优化核，显著加速随机经济调度中的端到端训练，同时不损失精度？
• RQ3 该框架在负荷预测分布发生偏移时（尤其是重尾或非高斯分布）的鲁棒性如何？
• RQ4 无需模型的方法是否能在降低训练时间并提升实用性的同时，实现与基于模型的端到端学习相当的性能？
• RQ5 与传统预测与调度方法相比，该框架在大规模系统（如IEEE 39节点网络）中在多大程度上改善了调度成本？

主要发现

• 与传统的基于MSE的基准相比，任务特定学习框架将调度成本损失降低了1.53%。
• 优化核框架相较于基准进一步将调度成本损失降低了2.13%，表明具有显著的效率提升。
• 无需模型的端到端框架在优化核基础上实现了额外1.27%的调度成本降低，尤其在分布不确定性下表现更优。
• 在IEEE 39节点系统上，无需模型框架使负荷预测误差提高了72.85%，但调度成本损失降低了8.24%，证明当目标对齐时，更高的预测误差并不意味着更高的成本。
• 与标准端到端任务特定框架相比，优化核使训练速度提升了182%，显著提高了训练效率。
• 在轻尾分布（如正态分布、均匀分布）下，框架保持鲁棒，性能损失控制在基准的4%以内；在重尾分布（有界帕累托分布）下，性能损失控制在8%以内。