재생 가능 에너지원을 현대 전력망에 통합함에 따라 전례 없는 운영상의 도전이 발생하였으며, 극단적인 불확실성 사건에서 시스템 비용의 변동성이 상당하게 증가하였습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 기계 학습과 병렬 컴퓨팅 아키텍처를 기반으로 한 위험 인지 확률적 근사 동적 프로그래밍(SADP) 알고리즘을 제시합니다. 이 알고리즘은 기존 접근 방식에서 간과하는 꼬리 위험 사건을 명시적으로 정량화하고 완화하면서, 출처-망-부하-저장 자원에 대한 최적의 조정 전략을 학습합니다. 먼저, 재생 가능 발전의 불확실성, 수요 변동성 및 유연한 자원 조정 간의 복잡한 상호 의존성을 캡처하는 위험 회피 확률적 최적화 모델이 구축됩니다. 이 모델은 조정 가능한 보수 매개변수를 가진 다양한 위험 지평에서 동시에 최적화를 가능하게 하는 GlueVaR(결합 가치-at-위험) 메트릭을 통합합니다. 둘째, 설정된 모델을 효율적으로 해결하기 위해 위험 회피 근사 가치 함수(RAVFs)를 기반으로 하는 SADP 알고리즘을 제안하며, RAVFs의 훈련 과정은 기계 학습 원칙을 사용하여 위험 선호를 운영 결정에 직접 인코딩합니다. GlueVaR를 사용하여 5000개의 확률적으로 가중된 시나리오에서 오프라인 훈련을 통합함으로써, 알고리즘은 인간 운영자가 거의 식별하지 못하는 분산 자원 간의 새로운 조정 패턴을 발견합니다. 셋째, SADP 알고리즘을 위한 대규모 병렬 컴퓨팅 아키텍처가 구현됩니다. 이 구조는 다단계 최적화 문제를 단일 단계 조정 하위 문제로 분해합니다. 오프라인 훈련 동안, 일련의 단일 단계 하위 문제의 병렬 컴퓨팅은 모든 확률적 시나리오에서 수행될 수 있어 훈련 시간을 크게 단축합니다. 통합된 풍력 터빈, 태양광 발전소, 에너지 저장 시스템 및 수요 반응 기능을 갖춘 수정된 IEEE 33버스 및 69버스 시스템에서의 광범위한 검증 결과는 주목할 만한 성능 향상을 보여줍니다. 수렴 분석 결과, AVFs는 30회의 훈련 반복 내에서 안정화되며, 이질적 자원을 가진 복잡한 네트워크에서조차 온라인 응용 프로그램의 경우 160초 이하의 해결 시간을 달성합니다. 심각한 불확실성 하에서 실시간 위험 인지 의사 결정을 가능하게 함으로써, 제안된 방법은 경제적 효율성과 운영 회복력의 균형을 맞춘 실행 가능한 전략을 전력망 운영자에게 제공합니다.
Guo et al. (Sun,) 이 질문을 연구했습니다.