An End-to-End Approach for Microgrid Probabilistic Forecasting and Robust Operation via Decision-focused Learning

📄 arXiv: 2512.12755v2 📥 PDF

作者: Tingwei Cao, Yan Xu

分类: eess.SY, cs.LG

发布日期: 2025-12-14 (更新: 2026-02-03)

备注: 10 pages

💡 一句话要点

提出基于决策的端到端学习框架，用于微网概率预测和鲁棒运行优化。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 微网优化 概率预测 鲁棒优化 决策导向学习 端到端学习

📋 核心要点

  1. 微网中可再生能源比例增加导致运行不确定性，传统方法难以兼顾预测精度与运行经济性。
  2. 提出端到端决策导向框架，通过可微分决策路径将概率预测与鲁棒优化集成，直接优化运行目标。
  3. 在IEEE 33和69节点系统上验证，相比传统方法，总运行成本降低高达18%，验证了有效性。

📝 摘要（中文）

可再生能源的高渗透率给微网运行带来了显著的不确定性和间歇性，对经济可靠的调度提出了挑战。为了解决这个问题，本文提出了一个端到端决策导向的框架，该框架联合优化微网的概率预测和鲁棒运行。一个多层编码器-解码器（MED）概率预测模型与一个包含直接负荷控制（DLC）的两阶段鲁棒优化（TSRO）模型集成，通过可微分的决策路径，实现从运行结果到预测性能的基于梯度的反馈。与传统的顺序方法不同，该方法通过一个代理智能预测-然后-优化（SPO）损失函数直接最小化决策遗憾，从而使预测精度与运行目标对齐。这种集成确保了概率预测针对下游决策进行优化，从而提高了经济效率和鲁棒性。在修改后的IEEE 33节点和69节点系统上的案例研究表明，所提出的框架实现了卓越的预测精度和运行性能，与传统的预测和优化组合相比，总运行成本和净运行成本降低了高达18%。结果验证了端到端决策导向方法在不确定性下实现弹性且具有成本效益的微网管理的有效性和可扩展性。

🔬 方法详解

问题定义：论文旨在解决微网中由于高比例可再生能源接入带来的不确定性问题，传统方法通常将概率预测和运行优化分离，导致预测结果与实际运行目标脱节，无法保证微网运行的经济性和鲁棒性。现有方法的痛点在于预测精度与决策目标不一致，难以直接优化运行成本。

核心思路：论文的核心思路是将概率预测和鲁棒优化集成到一个端到端的框架中，通过可微分的决策路径，利用运行结果的反馈来指导概率预测模型的训练，从而使预测结果更符合实际运行需求，直接优化微网的运行成本。这种方法避免了传统方法中预测误差累积的问题，提高了微网运行的经济性和鲁棒性。

技术框架：整体框架包含两个主要模块：多层编码器-解码器（MED）概率预测模型和两阶段鲁棒优化（TSRO）模型。MED模型用于生成可再生能源发电的概率预测，TSRO模型则基于这些预测进行微网的鲁棒运行优化，包括直接负荷控制（DLC）。两个模块通过一个可微分的决策路径连接，使得TSRO模型的输出（例如运行成本）可以反向传播到MED模型，用于更新MED模型的参数。

关键创新：最重要的技术创新点在于将概率预测和鲁棒优化集成到一个端到端的框架中，并通过可微分的决策路径实现梯度反向传播。这使得预测模型可以直接针对下游的决策目标进行优化，而不是仅仅关注预测精度。此外，使用代理智能预测-然后-优化（SPO）损失函数来直接最小化决策遗憾，进一步提高了运行性能。

关键设计：MED模型采用多层编码器-解码器结构，用于捕捉可再生能源发电的时间序列特征。TSRO模型采用两阶段优化方法，第一阶段确定微网的运行计划，第二阶段根据实际情况进行调整。关键的损失函数是代理SPO损失，它衡量了基于预测做出的决策与最优决策之间的差距。通过调整MED模型的网络结构和训练参数，以及TSRO模型的约束条件，可以进一步优化框架的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在修改后的IEEE 33节点和69节点系统上的实验结果表明，所提出的端到端决策导向框架能够显著提高微网的运行性能。与传统的预测和优化组合相比，该框架能够将总运行成本和净运行成本降低高达18%，验证了其在经济性和鲁棒性方面的优势。

🎯 应用场景

该研究成果可应用于智能电网、微网的能量管理系统，提高可再生能源利用率，降低运行成本，增强电网的稳定性和可靠性。尤其适用于可再生能源渗透率高的地区，有助于实现能源转型和可持续发展目标，具有广阔的应用前景。

📄 摘要（原文）

High penetration of renewable energy sources (RES) introduces significant uncertainty and intermittency into microgrid operations, posing challenges to economic and reliable scheduling. To address this, this paper proposes an end-to-end decision-focused framework that jointly optimizes probabilistic forecasting and robust operation for microgrids. A multilayer encoder-decoder (MED) probabilistic forecasting model is integrated with a two-stage robust optimization (TSRO) model involving direct load control (DLC) through a differentiable decision pathway, enabling gradient-based feedback from operational outcomes to improve forecasting performance. Unlike conventional sequential approaches, the proposed method aligns forecasting accuracy with operational objectives by directly minimizing decision regret via a surrogate smart predict-then-optimize (SPO) loss function. This integration ensures that probabilistic forecasts are optimized for downstream decisions, enhancing both economic efficiency and robustness. Case studies on modified IEEE 33-bus and 69-bus systems demonstrate that the proposed framework achieves superior forecasting accuracy and operational performance, reducing total and net operation costs by up to 18% compared with conventional forecasting and optimization combinations. The results verify the effectiveness and scalability of the end-to-end decision-focused approach for resilient and cost-efficient microgrid management under uncertainty.