[论文解读] Intelligent Subset Selection of Power Generators for Economic Dispatch

Biswarup Bhattacharya, Abhishek Sinha|arXiv (Cornell University)|Sep 8, 2017

Energy Load and Power Forecasting参考文献 10被引用 3

一句话总结

该论文提出了一种基于深度学习的智能方法，用于经济调度中太阳能发电机组的子集选择，利用23维输入（20个母线电压 + 3个发电机预测值）最小化预测误差与网络阻塞的复合损失。模型在测试中表现出较低的损失（L1: 8，L2: 59），展示了在可再生能源丰富的电力系统中高效且可扩展的优化能力。

ABSTRACT

Sustainable and economical generation of electrical power is an essential and mandatory component of infrastructure in today's world. Optimal generation (generator subset selection) of power requires a careful evaluation of various factors like type of source, generation, transmission & storage capacities, congestion among others which makes this a difficult task. We created a grid to simulate various conditions including stimuli like generator supply, weather and load demand using Siemens PSS/E software and this data is trained using deep learning methods and subsequently tested. The results are highly encouraging. As per our knowledge, this is the first paper to propose a working and scalable deep learning model for this problem.

研究动机与目标

• 解决在动态负荷与天气条件下电力系统中发电机子集选择的优化挑战。
• 降低可再生能源并网过程中因功率预测误差与网络阻塞导致的经济损失。
• 开发一种可扩展的、基于数据驱动的方法，用于实时经济调度，借助深度学习实现。
• 通过智能发电机选择，实现对可再生能源丰富电力系统的更智能、更高效运行。

提出的方法

• 一个具有200个ReLU激活神经元的单隐层深度神经网络，处理由母线电压幅值与三个发电机预测的太阳能功率组合而成的23维输入向量。
• 模型最小化复合损失函数 𝒟 = (模型输出 − (L₁ + L₂))²，其中L₁为预测误差，L₂为二值阻塞惩罚（若发生阻塞则为50，否则为0）。
• 训练数据（4,500/4,900个点）通过PSS/E对含三个太阳能发电机的20母线系统在不同天气与负荷条件下的仿真生成。
• 模型使用Adam优化器最小化损失，其中L₁被缩放以平衡与二值L₂惩罚的量级。
• 对三个太阳能发电机的所有子集进行了评估，模型学习预测每个子集的总成本（误差 + 阻塞）。
• 在400个保留的仿真点上评估了测试性能，以评估泛化能力。

实验结果

研究问题

• RQ1 深度学习模型能否有效预测最优太阳能发电机子集，以最小化电力调度中的经济损失？
• RQ2 神经网络在子集选择的经济调度中，对未见的负荷与天气条件的泛化能力如何？
• RQ3 引入阻塞惩罚在多大程度上提升了发电机子集选择的经济性与运行可靠性？
• RQ4 在动态、可再生能源集成的电网场景下，机器学习模型能否优于传统优化方法？

主要发现

• 模型在测试中达到L1损失为8，表明其在预测选定发电机子集的实际功率输出方面具有出色的泛化能力。
• 测试L2损失为59，反映出模型能够高精度识别避免网络阻塞的子集。
• 训练与测试损失曲线表现出稳定收敛，过拟合程度极低，表明对未见数据具有鲁棒性。
• 复合损失函数有效平衡了预测准确率与阻塞规避，实现了经济上最优的子集选择。
• 模型在可再生能源电源的实时经济调度系统中展现出良好的可扩展性与实用性。
• 结果验证了在可变太阳能发电条件下，使用深度学习实现智能发电机子集选择在智能电网中的可行性。