核心概念
透過學習約束條件,可以實現即時、公平的負載削減決策。
摘要
本文提出了一種基於機器學習的高效算法,用於解決電力系統中的公平負載削減問題。首先,作者提出了一個優化模型,在最小化總發電成本的同時,也考慮了負載削減的公平性。為了滿足即時決策的要求,作者利用機器學習技術來識別關鍵的約束條件,並通過分析最優化條件,將原問題簡化為求解一組線性方程。數值研究表明,該方法不僅能夠實現公平的負載削減決策,而且計算效率也遠高於直接求解優化問題。具體來說:
- 作者首先提出了一個優化模型,目標是最小化總發電成本和負載削減,並引入了一些約束條件來確保公平性。
- 為了提高計算效率,作者利用機器學習技術來識別關鍵的約束條件,即哪些約束條件在最優解時是"緊張"的。
- 一旦確定了關鍵約束條件,作者就可以將原問題簡化為一個等式約束的二次規劃問題,並通過求解一組線性方程來獲得最優解。
- 數值研究表明,該方法不僅能夠實現公平的負載削減決策,而且計算效率也遠高於直接求解優化問題。在一個73節點的RTS-GMLC系統中,該方法的計算速度比直接求解優化問題快2萬倍。
統計資料
在3節點系統中,優化問題的最優解為: g1* = 30, g2* = 50, s1* = 0.1, s2* = 0.1, s3* = 0.1。
在RTS-GMLC 73節點系統中,使用不同的公平性參數δ,可以得到不同的負載削減方案。較小的δ值可以促進更加平衡和公平的決策。