Real-Time Neural Distributed Energy Resources Dispatch with Feasibility Guarantees

📄 arXiv: 2605.00317v1 📥 PDF

作者: Jie Zhu, Yinliang Xu, Hongbin Sun

分类: eess.SY

发布日期: 2026-05-01

💡 一句话要点

提出一种具有可行性保证的实时神经分布式能源调度框架，无需外部求解器。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 分布式能源调度 神经网络 凸优化 鲁棒优化 实时调度 可行性保证 电力系统 DistFlow模型

📋 核心要点

  1. 传统能源调度方法难以满足高可再生能源渗透率下对实时性的需求，而神经网络方法虽然高效，但难以保证非凸约束下的可行性。
  2. 该论文提出一种基于凸内逼近和鲁棒优化的仿射策略，并结合二分法投影方案，在没有外部求解器的情况下恢复神经网络输出的可行性。
  3. 实验结果表明，该方法能够在极短的时间内（约$10^{-3}$秒）恢复可行性，同时保持接近最优的性能，验证了其有效性。

📝 摘要（中文）

可再生能源渗透率的不断提高需要高频实时调度。虽然基于神经网络的替代模型能够实现计算高效的调度，但严格执行非凸潮流约束而无需外部求解器仍然是一个根本性的挑战。为了弥合这一差距，本文提出了一种无需求解器的神经调度框架，并具有严格的可行性保证。首先，通过凸包定理推导了DistFlow模型的凸内逼近。在此逼近的基础上，制定了一种基于鲁棒优化的仿射策略，以产生理论上经过认证的内点映射规则，然后将其嵌入到基于二分法的投影方案中，以有效地恢复不可行的神经网络输出的可行性，而无需任何外部求解器。实验结果表明，所提出的方法在约$10^{-3}$秒的量级上恢复了可行性，同时保持了接近最优的性能。

🔬 方法详解

问题定义：论文旨在解决高比例可再生能源接入背景下，传统优化方法难以满足实时调度需求，而基于神经网络的调度方法又难以保证非凸潮流约束可行性的问题。现有方法通常依赖外部求解器来保证可行性，计算成本高昂，难以满足实时性要求。

核心思路：论文的核心思路是利用DistFlow模型的凸内逼近，构建一个保守但计算高效的优化问题。然后，通过鲁棒优化设计仿射策略，学习从原始问题到凸逼近问题的映射关系，并利用二分法投影方案修正神经网络的输出，使其满足潮流约束，从而在不依赖外部求解器的情况下保证可行性。

技术框架：该框架主要包含三个阶段：1) DistFlow模型的凸内逼近：利用凸包定理对DistFlow模型进行凸内逼近，得到一个凸优化问题。2) 基于鲁棒优化的仿射策略：设计一个仿射策略，将原始问题的决策变量映射到凸逼近问题的可行域内，该策略通过鲁棒优化方法进行训练，以保证映射的鲁棒性。3) 基于二分法的投影方案：对于神经网络的输出，利用二分法迭代地将其投影到可行域内，从而保证最终解的可行性。

关键创新：该论文的关键创新在于提出了一种无需外部求解器的神经调度框架，通过凸内逼近、鲁棒优化和二分法投影相结合，实现了实时性和可行性的兼顾。与现有方法相比，该方法避免了对外部求解器的依赖，大大降低了计算成本，提高了调度效率。

关键设计：DistFlow模型的凸内逼近是保证可行性的基础，鲁棒优化用于训练仿射策略，保证映射的鲁棒性，二分法投影方案用于修正神经网络的输出，使其满足潮流约束。仿射策略的具体形式和鲁棒优化的目标函数是关键的设计参数。二分法投影的迭代次数需要根据实际情况进行调整，以平衡计算效率和可行性。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，该方法能够在约$10^{-3}$秒的量级上恢复可行性，与传统的基于求解器的方法相比，计算速度提升了数个数量级。同时，该方法能够保持接近最优的性能，验证了其在实时性和优化性能方面的优势。

🎯 应用场景

该研究成果可应用于智能电网的实时调度、微网的能量管理、以及分布式能源的优化配置等领域。通过提高调度效率和保证可行性，可以促进可再生能源的消纳，降低能源成本，提高电网的稳定性和可靠性。未来，该方法有望推广到更复杂的电力系统和能源网络中。

📄 摘要（原文）

The growing penetration of renewable energy necessitates high-frequency real-time scheduling. While neural network-based surrogates enable computationally efficient scheduling, strictly enforcing nonconvex power flow constraints without external solvers remains a fundamental challenge. To bridge this gap, this letter proposes a solver-free neural dispatch framework with rigorous feasibility guarantees. A convex inner approximation of the DistFlow model is first derived via the convex envelope theorem. Building upon this approximation, a robust optimization-based affine policy is formulated to yield a theoretically certified interior-point mapping rule, which is then embedded within a bisection-based projection scheme to efficiently recover feasibility for infeasible NN outputs without any external solver. Experimental results demonstrate that the proposed method restores feasibility on the order of $10^{-3}$ s while maintaining near-optimal performance.