Learning to Optimally Dispatch Power: Performance on a Nation-Wide Real-World Dataset

📄 arXiv: 2505.24505v1 📥 PDF

作者: Ignacio Boero, Santiago Diaz, Tomás Vázquez, Enzo Coppes, Pablo Belzarena, Federico Larroca

分类: cs.LG, math.OC

发布日期: 2025-05-30

💡 一句话要点

提出乌拉圭国家级电网数据集，揭示机器学习优化在实际电力调度中的挑战。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 最优无功功率调度 机器学习 电力系统 智能电网 真实数据集

📋 核心要点

  1. 现有基于机器学习的ORPD方法在合成数据集上表现良好，但在真实电网条件下的有效性有待考察。
  2. 论文核心是利用真实电网数据评估现有机器学习ORPD方法的性能，并分析其在实际应用中的局限性。
  3. 实验结果表明，从合成数据到真实数据，预测误差显著增加，揭示了现有模型在复杂电网条件下的不足。

📝 摘要（中文）

最优无功功率调度(ORPD)问题在电力系统运行中至关重要，它能确保电压稳定并最小化功率损耗。机器学习，特别是“学习优化”框架，已经能够快速有效地近似ORPD解决方案，通常通过在预先计算的优化结果上训练模型来实现。虽然这些方法在合成数据集上表现出良好的性能，但它们在真实电网条件下的有效性在很大程度上仍未被探索。本文做出了两个关键贡献。首先，我们引入了一个公开可用的电力系统数据集，其中包括乌拉圭电网的结构特征以及近两年的真实运行数据，涵盖实际的需求和发电概况。鉴于乌拉圭可再生能源的高渗透率，ORPD问题已成为其电力网络中的主要优化挑战。其次，我们评估了真实世界数据对基于学习的ORPD解决方案的影响，揭示了从合成输入过渡到实际需求和发电输入时预测误差的显著增加。我们的结果突出了现有模型在复杂统计特性下学习的局限性，并强调了对更具表现力的架构的需求。通过提供此数据集，我们旨在促进对电力系统管理中基于学习的鲁棒优化技术的进一步研究。

🔬 方法详解

问题定义：论文旨在解决最优无功功率调度(ORPD)问题在真实电网环境下的应用难题。现有方法主要依赖于在合成数据集上训练的模型，这些模型难以泛化到具有复杂统计特性的真实电网数据，导致预测精度下降，无法满足实际电力调度的需求。

核心思路：论文的核心思路是利用真实电网运行数据来评估和改进基于机器学习的ORPD方法。通过分析真实数据对模型性能的影响，揭示现有模型的局限性，并为开发更鲁棒、更适应实际电网环境的模型提供指导。

技术框架：论文主要包含以下几个阶段：1) 构建包含乌拉圭电网结构和真实运行数据的电力系统数据集；2) 使用该数据集评估现有机器学习ORPD模型的性能；3) 分析模型在真实数据上的预测误差，识别其局限性；4) 提出改进模型架构的建议，以提高其在真实电网环境下的适应性。

关键创新：论文的关键创新在于构建了一个公开可用的、包含真实电网运行数据的电力系统数据集。该数据集能够为研究人员提供一个评估和改进机器学习ORPD方法的平台，促进相关技术在实际电力系统中的应用。

关键设计：论文的关键设计在于数据集的构建，该数据集包含了乌拉圭电网的拓扑结构、线路参数、发电机和负荷的运行数据等信息。此外，论文还分析了不同模型架构对预测误差的影响，并提出了改进模型架构的建议，例如采用更具表现力的神经网络结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，现有机器学习ORPD模型在从合成数据过渡到真实电网数据时，预测误差显著增加。这一发现突出了现有模型在复杂电网条件下的局限性，并强调了开发更鲁棒、更适应实际电网环境的模型的重要性。该研究为后续研究提供了重要的参考依据。

🎯 应用场景

该研究成果可应用于智能电网的优化调度、电力系统安全稳定运行的保障以及可再生能源的高效利用。通过提高ORPD的效率和准确性，可以降低电力损耗、提高电压稳定性，并为电网运营商提供更可靠的决策支持，从而促进能源转型和可持续发展。

📄 摘要（原文）

The Optimal Reactive Power Dispatch (ORPD) problem plays a crucial role in power system operations, ensuring voltage stability and minimizing power losses. Recent advances in machine learning, particularly within the ``learning to optimize'' framework, have enabled fast and efficient approximations of ORPD solutions, typically by training models on precomputed optimization results. While these approaches have demonstrated promising performance on synthetic datasets, their effectiveness under real-world grid conditions remains largely unexplored. This paper makes two key contributions. First, we introduce a publicly available power system dataset that includes both the structural characteristics of Uruguay's electrical grid and nearly two years of real-world operational data, encompassing actual demand and generation profiles. Given Uruguay's high penetration of renewable energy, the ORPD problem has become the primary optimization challenge in its power network. Second, we assess the impact of real-world data on learning-based ORPD solutions, revealing a significant increase in prediction errors when transitioning from synthetic to actual demand and generation inputs. Our results highlight the limitations of existing models in learning under the complex statistical properties of real grid conditions and emphasize the need for more expressive architectures. By providing this dataset, we aim to facilitate further research into robust learning-based optimization techniques for power system management.