LAPSO: A Unified Optimization View for Learning-Augmented Power System Operations

要約

再生可能エネルギーの高い浸透により、従来のモデルベースの電力システム運用は、経済的で安定した堅牢な決定を提供するために挑戦されています。
機械学習は、これらの課題に対処するために複雑なダイナミクスをキャプチャするための強力なモデリングツールとして浮上しています。
ただし、その個別の設計には、既存の方法との体系的な統合が欠けていることがよくあります。
ギャップを埋めるために、このペーパーでは、学習式電力システム運用の全体的な枠組みを提案します（Lapso、Lap-Soと発音）。
ネイティブの最適化の観点を採用するLapsoは、動作段階に集中しており、トレーニングと推論の両方の段階で機械学習とモデルベースの最適化の目的を統合しながら、予測、動作、制御などの一時的にサイロ化された電力システムタスクの境界を破ることを目指しています。
体系的な分析とシミュレーションは、安定性が制約された最適化（SCO）や目的ベースの予測（OBF）などの新しい統合アルゴリズムを設計する際にLAPSOを適用することの有効性を実証し、異なる不合格のソースのエンドツーエンドのトレースを可能にします。
さらに、専用のPythonパッケージLAPSOが導入され、学習可能なコンポーネントを使用して既存の電力システム最適化モデルを自動的に増強します。
すべてのコードとデータは、https：//github.com/xuwkk/lapso_expで入手できます。

要約(オリジナル)

With the high penetration of renewables, traditional model-based power system operation is challenged to deliver economic, stable, and robust decisions. Machine learning has emerged as a powerful modeling tool for capturing complex dynamics to address these challenges. However, its separate design often lacks systematic integration with existing methods. To fill the gap, this paper proposes a holistic framework of Learning-Augmented Power System Operations (LAPSO, pronounced as Lap-So). Adopting a native optimization perspective, LAPSO is centered on the operation stage and aims to break the boundary between temporally siloed power system tasks, such as forecast, operation and control, while unifying the objectives of machine learning and model-based optimizations at both training and inference stages. Systematic analysis and simulations demonstrate the effectiveness of applying LAPSO in designing new integrated algorithms, such as stability-constrained optimization (SCO) and objective-based forecasting (OBF), while enabling end-to-end tracing of different sources of uncertainties. In addition, a dedicated Python package-lapso is introduced to automatically augment existing power system optimization models with learnable components. All code and data are available at https://github.com/xuwkk/lapso_exp.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google