[论文解读] Predict+Optimize Problem in Renewable Energy Scheduling

Christoph Bergmeir, Frits de Nijs+26 more|arXiv (Cornell University)|Dec 21, 2022

Energy Load and Power Forecasting被引用 4

一句话总结

本文评估了在莫纳什微电网数据基础上，针对IEEE-CIS预测+优化技术挑战赛的顶级解决方案。采用梯度提升树与随机森林相结合的混合方法进行预测，随后通过样本平均近似（SAA）的固定-优化混合整数规划（MIP）策略，在不确定性条件下的电力调度中实现了显著的成本降低。

ABSTRACT

Predict+Optimize frameworks integrate forecasting and optimization to address real-world challenges such as renewable energy scheduling, where variability and uncertainty are critical factors. This paper benchmarks solutions from the IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling, focusing on forecasting renewable production and demand and optimizing energy cost. The competition attracted 49 participants in total. The top-ranked method employed stochastic optimization using LightGBM ensembles, and achieved at least a 2% reduction in energy costs compared to deterministic approaches, demonstrating that the most accurate point forecast does not necessarily guarantee the best performance in downstream optimization. The published data and problem setting establish a benchmark for further research into integrated forecasting-optimization methods for energy systems, highlighting the importance of considering forecast uncertainty in optimization models to achieve cost-effective and reliable energy management. The novelty of this work lies in its comprehensive evaluation of Predict+Optimize methodologies applied to a real-world renewable energy scheduling problem, providing insights into the scalability, generalizability, and effectiveness of the proposed solutions. Potential applications extend beyond energy systems to any domain requiring integrated forecasting and optimization, such as supply chain management, transportation planning, and financial portfolio optimization.

研究动机与目标

• 解决在不确定性条件下，可再生能源调度中预测与优化集成的挑战。
• 利用真实世界微电网数据，为预测+优化范式在能源系统中的应用提供基准。
• 评估并比较最先进的联合优化调度与预测方法，以实现成本最小化。
• 证明端到端或集成型预测-优化方法相较于传统两阶段流水线的优越性。
• 突出实际部署中的关键挑战，如场景选择、模型鲁棒性以及计算效率。

提出的方法

• 使用梯度提升树与随机森林，基于气象和日历特征预测光伏发电与建筑用电需求。
• 采用基于随机森林的分位数回归，估计预测边际密度，用于场景生成。
• 在混合整数规划（MIP）中应用固定-优化启发式算法，通过固定变量子集迭代改进解。
• 实施样本平均近似（SAA）以在多个预测场景上进行优化，降低不确定性下的期望成本。
• 使用Gurobi求解优化问题，设置时间限制与最优性间隙约束，以平衡解的质量与运行时间。
• 采用基于活动采样的迭代局部搜索（每次迭代10个重复活动，5个一次性活动），并结合耐心度驱动的提前停止策略，以提升收敛性。

实验结果

研究问题

• RQ1 在可再生能源调度中，集成型预测+优化方法与传统两阶段预测-优化流水线相比表现如何？
• RQ2 场景生成质量——特别是基于单一建筑预测——对最终调度成本的影响有多大？
• RQ3 与完整MIP求解相比，固定-优化启发式方法在解质量与求解速度上的提升程度如何？
• RQ4 不同预测模型（如XGBoost、随机森林）对能源调度中下游优化性能的影响如何？
• RQ5 在真实微电网运行中，部署稳健、可扩展的预测+优化系统的关键瓶颈是什么？

主要发现

• 优胜方法通过在样本平均近似下联合优化多个预测场景，实现了显著的成本降低。
• 梯度提升树与随机森林在全数据集上对光伏发电与建筑用电需求的预测精度最高。
• 固定-优化方法显著降低了最终成本，尤其在较大规模问题实例上，目标函数值的演变过程显示出明显改善。
• 优化阶段受完整MIP解质量的限制，表明更优的MIP建模可进一步提升性能。
• 仅基于建筑3的预测密度生成的场景限制了泛化能力，引入多源相关性可进一步提升性能。
• 建模误差与第二阶段优化窗口不匹配影响了评估效果，凸显了在实际部署中对稳健、模块化代码的需求。