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

📄 arXiv: 2505.05203v1 📥 PDF

作者: Wangkun Xu, Zhongda Chu, Fei Teng

分类: eess.SY, cs.AI

发布日期: 2025-05-08

🔗 代码/项目: GITHUB

💡 一句话要点

LAPSO：面向学习增强型电力系统运行的统一优化框架

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 电力系统运行 学习增强优化 可再生能源 稳定性约束优化 目标导向预测

📋 核心要点

  1. 传统电力系统运行方法难以应对高比例可再生能源带来的复杂性和不确定性。
  2. LAPSO框架以优化为核心，统一了机器学习和模型优化目标，打破了任务间的壁垒。
  3. 实验验证了LAPSO在稳定性约束优化和目标导向预测等集成算法设计中的有效性。

📝 摘要（中文）

随着可再生能源渗透率的提高，传统的基于模型的电力系统运行在提供经济、稳定和鲁棒的决策方面面临挑战。机器学习作为一种强大的建模工具，可以捕获复杂动态以应对这些挑战。然而，其独立设计通常缺乏与现有方法的系统集成。为了填补这一空白，本文提出了一个学习增强型电力系统运行（LAPSO）的整体框架。LAPSO采用原生的优化视角，以运行阶段为中心，旨在打破时间上孤立的电力系统任务（如预测、运行和控制）之间的界限，同时统一机器学习和基于模型的优化在训练和推理阶段的目标。系统的分析和仿真表明了LAPSO在设计新的集成算法（如稳定性约束优化（SCO）和基于目标的预测（OBF））方面的有效性，同时实现了对不同来源不确定性的端到端追踪。此外，还引入了一个专门的Python包-lapso，以自动地用可学习的组件增强现有的电力系统优化模型。所有代码和数据都可以在https://github.com/xuwkk/lapso_exp上找到。

🔬 方法详解

问题定义：传统电力系统运行方法在高可再生能源渗透率下，难以保证经济性、稳定性和鲁棒性。现有方法通常将预测、运行和控制等任务孤立地处理，缺乏系统集成，难以应对复杂动态和不确定性。

核心思路：LAPSO的核心在于采用统一的优化视角，将机器学习模型嵌入到电力系统运行的优化问题中。通过联合优化机器学习模型和电力系统运行策略，实现更优的决策。这样设计的目的是为了打破传统任务之间的壁垒，实现端到端的优化，并更好地处理不确定性。

技术框架：LAPSO框架主要包含以下几个阶段：1) 数据收集与预处理；2) 机器学习模型训练，例如预测模型或稳定性评估模型；3) 将训练好的机器学习模型嵌入到电力系统运行的优化模型中，例如最优潮流、机组组合等；4) 联合优化机器学习模型和电力系统运行策略，得到最终的运行决策。框架允许对不同来源的不确定性进行端到端追踪。

关键创新：LAPSO的关键创新在于其统一的优化视角，将机器学习和模型驱动的优化相结合。与传统方法相比，LAPSO能够更有效地利用数据，捕获复杂动态，并实现端到端的优化。此外，LAPSO还提供了一个Python包，可以自动地用可学习的组件增强现有的电力系统优化模型。

关键设计：LAPSO框架的具体实现取决于具体的应用场景。例如，在稳定性约束优化（SCO）中，可以使用机器学习模型来预测系统的稳定性裕度，并将该预测结果作为约束条件加入到优化模型中。在目标导向预测（OBF）中，可以使用优化模型的目标函数来指导机器学习模型的训练。损失函数的设计需要考虑电力系统的物理约束和运行目标。网络结构的选择取决于数据的复杂性和模型的精度要求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过仿真实验验证了LAPSO框架的有效性。例如，在稳定性约束优化（SCO）中，LAPSO能够显著提高系统的稳定性裕度，同时降低运行成本。在目标导向预测（OBF）中，LAPSO能够提高预测精度，从而改善运行决策。实验结果表明，LAPSO能够有效地利用数据，捕获复杂动态，并实现端到端的优化。

🎯 应用场景

LAPSO框架可应用于多种电力系统运行场景，如经济调度、机组组合、电压控制、稳定控制等。通过提高电力系统运行的经济性、稳定性和鲁棒性，LAPSO有助于促进可再生能源的消纳，降低电力系统的运行成本，并提高供电可靠性。未来，LAPSO有望成为智能电网的关键技术之一。

📄 摘要（原文）

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.