[论文解读] Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning

Weisi Deng, Yuting Ji+1 more|arXiv (Cornell University)|Jun 25, 2016

Energy Load and Power Forecasting参考文献 15被引用 7

一句话总结

本文提出了一种在线字典学习（ODL）方法，用于实时电力市场中概率预测与仿真，利用参数化直流最优潮流（DCOPF）结构，与蒙特卡洛方法相比显著降低了计算时间。该方法通过从实时测量数据和历史数据中学习稀疏表示，实现了对节点边际电价（LMPs）、潮流和出清水平的联合分布与边缘分布的快速自适应在线预测，在保持精度的同时实现了数量级的加速。

ABSTRACT

The problem of probabilistic forecasting and online simulation of real-time electricity market with stochastic generation and demand is considered. By exploiting the parametric structure of the direct current optimal power flow, a new technique based on online dictionary learning (ODL) is proposed. The ODL approach incorporates real-time measurements and historical traces to produce forecasts of joint and marginal probability distributions of future locational marginal prices, power flows, and dispatch levels, conditional on the system state at the time of forecasting. Compared with standard Monte Carlo simulation techniques, the ODL approach offers several orders of magnitude improvement in computation time, making it feasible for online forecasting of market operations. Numerical simulations on large and moderate size power systems illustrate its performance and complexity features and its potential as a tool for system operators.

研究动机与目标

• 解决大规模电力系统中由于随机可再生能源出力和负荷导致的实时概率预测计算不可行问题。
• 开发一种在线方法，基于当前系统状态和实时测量数据，生成节点边际电价（LMPs）、潮流和出清水平的条件概率分布。
• 降低传统蒙特卡洛仿真在电力系统概率预测中高昂的计算成本。
• 使系统调度员能够在不确定性条件下，对市场运行进行实时仿真与预测，特别是在陡峭爬坡事件期间。
• 利用DCOPF的参数化结构，学习系统在关键运行区域的行为的紧凑且自适应的表示。

提出的方法

• 该方法使用在线字典学习（ODL）从实时测量数据和历史数据中学习参数化DCOPF解结构的稀疏表示。
• ODL自适应地更新一组基向量字典，以表示系统变量（如LMPs和潮流）中的主导模式。
• 该方法将系统建模为随机变量（如负荷和发电）的分段线性函数，关键区域由DCOPF中的绑定约束定义。
• 通过识别蒙特卡洛运行中频繁出现的关键区域，该方法避免了对每个样本路径都求解完整的DCOPF。
• 所学习的字典使得无需对每个实现重新求解DCOPF，即可快速预测市场变量的联合与边缘概率分布。
• 该算法随着新测量数据的到达动态更新字典，确保对变化的系统条件和负荷曲线具有适应性。

实验结果

研究问题

• RQ1 在线字典学习能否高效地近似关键电力市场变量（如LMPs和潮流）的联合与边缘概率分布？
• RQ2 与标准蒙特卡洛仿真相比，所提出的基于ODL的方法在电力系统概率预测中如何降低计算成本？
• RQ3 在关键爬坡事件（如‘鸭形曲线’现象）期间，LMPs和潮流的分布行为如何？
• RQ4 在大量蒙特卡洛仿真中，参数化DCOPF解空间中的实际活跃关键区域有多少个？
• RQ5 该方法能否在实时中自适应地学习并表示系统行为，特别是在陡峭负荷爬坡等瞬态事件期间？

主要发现

• 所提出的ODL方法相比标准蒙特卡洛仿真实现了数量级的计算时间减少，使实时概率预测成为可能。
• 在IEEE 118节点系统中，1,000次蒙特卡洛运行中，参数化DCOPF的总可能关键区域中仅有极小部分被激活，从而实现了显著的计算节省。
• 在稳态运行期间（T=55），母线94–95的联合LMP分布集中于一个点质量，表明变异性低且定价稳定。
• 在向下爬坡事件期间（T=142），母线94–95的联合LMP分布显示出两个明显模式，反映出小价格差异的高概率和大差异的低概率，这与阻塞有关。
• 在陡峭的上行爬坡事件期间（T=240），母线94–95的LMP分布表现出四种可能的实现，其中近50%的概率出现显著的价格差异，表明不确定性较高。
• 在传输线上的潮流分布表现出非高斯、多模态的形状，尤其是在联络线（tie lines）上，凸显了高斯假设在预测中的局限性。