Machine Learning Infused Distributed Optimization for Coordinating Virtual Power Plant Assets

要約

分散型エネルギー資源 (DER) の展開への関心が高まる中、仮想発電所 (VPP) は、多様な DER を集約し、卸売エネルギー市場への参加を促進するための極めて重要なツールとして浮上しています。
これらの VPP の導入は、連邦エネルギー規制委員会の命令 2222 によって促進されており、DER と VPP を市場セグメント全体で競争力のあるものにしています。
ただし、DER の多様性と分散型の性質により、VPP 資産のスケーラブルな調整には大きな課題が生じます。
効率と速度のボトルネックに対処するために、このホワイトペーパーでは、VPP 資産を調整するための新しい機械学習支援分散最適化を紹介します。
LOOP-MAC（マルチエージェント調整のための最適化プロセスを最適化する学習）と名付けられた私たちの手法は、各VPPエージェントが複数のDERを管理し、ニューラルネットワーク近似器を利用して解決策の探索を促進するマルチエージェント調整の観点を採用しています。
LOOP-MAC メソッドはゲージ マップを採用してローカル制約への厳密な準拠を保証し、追加の後処理ステップの必要性を効果的に削減します。
私たちの結果は LOOP-MAC の利点を強調しており、反復あたりの解時間の短縮と収束時間の大幅な短縮を示しています。
LOOP-MAC メソッドは、反復的かつ逐次的な実行が必要な最適化タスクにおいて、従来の集中型および分散型の最適化メソッドよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Amid the increasing interest in the deployment of Distributed Energy Resources (DERs), the Virtual Power Plant (VPP) has emerged as a pivotal tool for aggregating diverse DERs and facilitating their participation in wholesale energy markets. These VPP deployments have been fueled by the Federal Energy Regulatory Commission’s Order 2222, which makes DERs and VPPs competitive across market segments. However, the diversity and decentralized nature of DERs present significant challenges to the scalable coordination of VPP assets. To address efficiency and speed bottlenecks, this paper presents a novel machine learning-assisted distributed optimization to coordinate VPP assets. Our method, named LOOP-MAC(Learning to Optimize the Optimization Process for Multi-agent Coordination), adopts a multi-agent coordination perspective where each VPP agent manages multiple DERs and utilizes neural network approximators to expedite the solution search. The LOOP-MAC method employs a gauge map to guarantee strict compliance with local constraints, effectively reducing the need for additional post-processing steps. Our results highlight the advantages of LOOP-MAC, showcasing accelerated solution times per iteration and significantly reduced convergence times. The LOOP-MAC method outperforms conventional centralized and distributed optimization methods in optimization tasks that require repetitive and sequential execution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google