清华大学深圳国际研究生院许银亮团队在基于机器学习的智能电网运行控制领域取得新进展

清华新闻网2月21日电 随着低碳能源转型和电力市场改革，大规模分布式可再生能源逐步接入电力系统，可再生能源出力的不确定性给电力系统运行和控制带来了新的挑战和要求。传统电力系统运行控制基于机器学习实现对电力系统不确定性因素的预测，然后基于预测信息通过求解优化模型得到电力系统最优决策，预测和优化两阶段是相互独立的。

智能电网概况

近日，清华大学深圳国际研究生院许银亮副教授团队联合机器学习和优化理论提出半端对端的电力系统运行控制理论和模型，有效提升电力系统运行的经济型和安全性。在电力系统储能运行场景下，团队通过考虑下游优化模型的反向影响，提出了一种面向储能套利的电价预测方法，该方法基于模型决策误差和预测构建混合损失函数，用于衡量组合的决策和预测错误。基于该损失函数提出混合随机梯度下降学习方法用于训练预测模型，包括两次反向传播和一次模型更新。数值实验表明，该方法可以准确预测价格变化趋势，并通过平衡预测误差的日时间分布有效提高决策精度。与基于传统的模型相比，以决策为中心的电力预测方法可以带来更多的经济效益并减少预测误差。

面向储能套利的电价预测算法基本框架

混合随机梯度下降算法的基本流程

不同方法的预测结果分析

神经网络的基本结构

在电力系统调压场景下，团队通过连接基于神经网络驱动的预测模型和二阶锥规划的调压模型，提出了一种用于电压调节的安全感知半端到端协调决策模型以实现提高电力系统决策质量，其中提出综合损失函数评估决策的经济性和安全意识。团队还提出混合随机梯度下降学习算法以协同微分的方式训练多个光伏/负荷预测模型。数值实验证明，与传统的预测和优化模型相比，所提出的决策模型在经济场景中实现了具有较低损耗的调节经济性，以及在安全感知场景中具有较低电压越限率。

半端对端决策模型的基本框架

参数化SOCP模型的梯度传播

不同模型下节点电压值对比

相关成果分别以“面向储能的电价预测模型：一种面向决策的算法”（Electricity Price Prediction for Energy Storage System Arbitrage: A Decision-focused Approach）和“考虑安全的半端对端主动配电网协同决策模型”（Safety-aware Semi-end-to-end Coordinated Decision Model for Voltage Regulation in Active Distribution Network）为题，发表于电气与电子工程师协会（Institute of Electrical and Electronics Engineers，IEEE）旗下的电气电子领域期刊《智能电网》（IEEE Transactions on Smart Grid）。

清华大学深圳国际研究生院许银亮副教授为论文的通讯作者，清华大学深圳国际研究生院2021级博士研究生桑林卫为论文的第一作者。论文作者还包括清华大学电机工程与应用电子技术系孙宏斌教授、吴文传教授，东南大学电气工程学院胡秦然副教授、龙寰副教授。该研究得到国家自然科学基金、广东省基础与应用基础研究基金、深圳市科创委科技项目等的支持。