[论文解读] Unit Commitment using Nearest Neighbor as a Short-Term Proxy

Gal Dalal, Elad Gilboa+2 more|arXiv (Cornell University)|Nov 30, 2016

Power System Optimization and Stability参考文献 14被引用 9

一句话总结

本文提出基于最近邻搜索的机组组合（UCNN），一种机器学习代理模型，通过近似短期机组组合（UC）求解结果，加速长期电力系统规划。与反复求解计算成本高昂的混合整数线性规划（MILP）UC问题不同，UCNN通过最近邻搜索从预训练数据集中检索预先计算的解，将平均运行时间从81秒降低至0.31秒，实现三个数量级的速度提升，且在IEEE-RTS96系统上的相对误差低于8%。

ABSTRACT

We devise the Unit Commitment Nearest Neighbor (UCNN) algorithm to be used as a proxy for quickly approximating outcomes of short-term decisions, to make tractable hierarchical long-term assessment and planning for large power systems. Experimental results on updated versions of IEEE-RTS79 and IEEE-RTS96 show high accuracy measured on operational cost, achieved in runtimes that are lower in several orders of magnitude than the traditional approach.

研究动机与目标

• 解决长期电力系统规划中因需重复进行短期UC模拟而产生的计算不可行性问题。
• 通过使用快速代理方法，减少在分层长期评估中对昂贵且精确的UC求解器的依赖。
• 实现在不确定性条件下对停运计划及其他长期决策的可扩展、可处理的评估。
• 证明基于学习的最近邻代理模型所生成的近似解在成本与可靠性指标上仍能保持高精度。

提出的方法

• 构建一个大规模且多样的预计算UC解训练数据集，覆盖各种电网与环境条件（如负荷、风电预测、网络拓扑）。
• 在长期评估过程中，针对给定的新条件，使用最近邻搜索（如KD-Trees）检索最相似的预计算解。
• 将每个系统状态表示为包含负荷、可再生能源出力和网络拓扑的特征向量，以支持相似性比较。
• 利用相似系统条件产生相似UC结果的假设，减少重新求解MILP问题的需求。
• 在离线阶段或在长周期评估过程中增量式地预计算训练集，以提升代理模型的覆盖范围。
• 将检索到的代理解用作完整UC问题求解的替代方案，显著降低运行时间。

实验结果

研究问题

• RQ1 基于最近邻搜索的机器学习代理模型能否有效近似大型电力系统中的短期机组组合结果？
• RQ2 与求解完整的MILP-based UC问题相比，UCNN在计算时间上能减少多少？
• RQ3 UCNN预测在运行成本与系统可靠性方面与精确UC解相比的准确性如何？
• RQ4 UCNN的性能是否随训练集规模和网络复杂度的增加而提升？

主要发现

• UCNN将UC求解的平均时间从81秒（精确MILP）降低至0.31秒，实现三个数量级的速度提升。
• 在IEEE-RTS96系统上，即使仅使用1,000个训练样本，UCNN在成本预测上的相对误差也低于8%。
• 该方法在可靠性指标（如N-1安全合规性）上与精确解保持强相关性，且相对误差较低。
• UCNN的运行时间与问题复杂度无关，而精确UC求解器在增加N-1安全约束后运行时间增加了10倍。
• 该方法通过将数千次昂贵的UC求解替换为快速查找操作，实现了可扩展的长期评估。
• UCNN性能随训练集增大而提升，且在较大系统（如IEEE-RTS96）上，即使使用中等规模数据集，方法依然有效。