Learning Constraint Surrogate Model for Two-stage Stochastic Unit Commitment

📄 arXiv: 2509.10246v1 📥 PDF

作者: Amir Bahador Javadi, Amin Kargarian, Mort Naraghi-Pour

分类: eess.SY

发布日期: 2025-09-12

💡 一句话要点

提出基于SVM的代理模型，加速求解含可再生能源的两阶段随机单元组合问题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 随机单元组合 支持向量机 代理模型 可再生能源 电力系统 最优潮流 计算加速

📋 核心要点

  1. 传统确定性单元组合方法难以应对可再生能源带来的不确定性，计算成本高昂。
  2. 利用支持向量机构建代理模型，将复杂的输电线路潮流约束简化为少量线性约束，降低计算复杂度。
  3. 在IEEE 57和118节点系统上验证，计算时间显著减少，发电成本增加可忽略不计，准确率高。

📝 摘要（中文）

本文提出了一种机器学习代理建模方法，旨在重构两阶段随机单元组合（TSUC）问题的可行设计空间，从而降低其计算复杂度。该方法使用支持向量机（SVM）构建基于学习器控制方程的代理模型。该模型将原始的2|L| * |S|条输电线路潮流约束（其中|S|是场景数量，|L|是输电线路数量，且|S|远小于|L|）替换为显著减少的1 * |S|条线性不等式约束。该方法在直流潮流近似下的可行域多面体结构上具有理论基础，能够将2|L|条线路潮流限制约束转换为单个线性约束。代理模型使用来自计算高效的直流最优潮流模拟生成的数据进行训练。在IEEE 57节点和118节点系统上的仿真结果表明，SVM半空间约束的准确率分别为99.72%和99.88%，TSUC计算时间分别减少了46%和31%，发电成本的增加可忽略不计（IEEE 57节点和118节点系统平均分别为0.63%和0.88%）。这表明了所提出的方法在可再生能源不确定性下实际电力系统运行中的有效性。

🔬 方法详解

问题定义：论文旨在解决含高比例可再生能源电力系统中的两阶段随机单元组合（TSUC）问题。传统TSUC方法由于需要考虑大量不确定性场景和复杂的输电线路潮流约束，计算量巨大，难以满足实际应用需求。现有方法的痛点在于计算效率低，难以实时优化调度。

核心思路：论文的核心思路是利用机器学习构建一个代理模型，来近似替代原TSUC问题中计算量最大的输电线路潮流约束。具体而言，使用支持向量机（SVM）学习可行域的边界，将大量复杂的潮流约束转化为少量线性约束，从而显著降低问题的规模和计算复杂度。这样设计的目的是在保证优化结果质量的前提下，大幅提升计算效率。

技术框架：整体框架包括以下几个主要阶段：1) 使用直流最优潮流（DCOPF）模拟生成训练数据；2) 使用生成的数据训练SVM代理模型，该模型用于近似替代输电线路潮流约束；3) 将训练好的SVM代理模型嵌入到TSUC问题中，替代原有的潮流约束；4) 求解简化后的TSUC问题，得到单元组合和发电计划。

关键创新：最重要的技术创新点在于利用SVM构建代理模型来替代复杂的输电线路潮流约束。与传统的简化潮流计算方法相比，该方法能够更准确地捕捉可行域的边界，同时保证了优化问题的凸性，便于求解。此外，该方法还利用了直流潮流近似下的可行域多面体结构，将大量的潮流约束转化为单个线性约束，进一步降低了问题的规模。

关键设计：论文的关键设计包括：1) 使用DCOPF生成训练数据，保证了数据的质量和计算效率；2) 选择SVM作为代理模型，因为它具有良好的泛化能力和凸性；3) 将SVM的输出转化为线性不等式约束，便于嵌入到TSUC问题中；4) 通过调整SVM的参数，平衡代理模型的准确性和计算复杂度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在IEEE 57节点和118节点系统上，所提出的方法能够显著降低TSUC问题的计算时间，分别减少了46%和31%。同时，SVM半空间约束的准确率分别高达99.72%和99.88%，表明代理模型能够准确地近似原问题的可行域。发电成本的增加可忽略不计，平均仅为0.63%和0.88%。这些结果表明，该方法在保证优化结果质量的前提下，能够大幅提升计算效率。

🎯 应用场景

该研究成果可应用于实际电力系统的运行调度，特别是在可再生能源高比例接入的情况下。通过加速TSUC问题的求解，可以提高电力系统的运行效率和经济性，降低发电成本，并促进可再生能源的消纳。此外，该方法还可以扩展到其他复杂的优化问题中，例如电力市场的竞价和输电网络的规划。

📄 摘要（原文）

The increasing penetration of renewable energy sources introduces significant uncertainty in power system operations, making traditional deterministic unit commitment approaches computationally expensive. This paper presents a machine learning surrogate modeling approach designed to reformulate the feasible design space of the two-stage stochastic unit commitment (TSUC) problem, reducing its computational complexity. The proposed method uses a support vector machine (SVM) to construct a surrogate model based on the governing equations of the learner. This model replaces the original 2|L| * |S| transmission line flow constraints, where |S| is the number of uncertainty scenarios and |L| is the number of transmission lines with |S| much less than |L|, with a significantly reduced set of 1 * |S| linear inequality constraints. The approach is theoretically grounded in the polyhedral structure of the feasible region under the DC power flow approximation, enabling the transformation of 2|L| line flow limit constraints into a single linear constraint. The surrogate model is trained using data generated from computationally efficient DC optimal power flow simulations. Simulation results on the IEEE 57-bus and 118-bus systems demonstrate SVM halfspace constraint accuracy of 99.72% and 99.88%, respectively, with TSUC computational time reductions of 46% and 31% and negligible generation cost increases (0.63% and 0.88% on average for IEEE 57- and 118-bus systems, respectively). This shows the effectiveness of the proposed approach for practical power system operations under renewable energy uncertainty.