Algoritmo de optimización del sistema de energía
Introducción a la aplicación práctica de los algoritmos de optimización de sistemas eléctricos
Los problemas de optimización se pueden dividir en problemas convexos y problemas no convexos. Se puede encontrar la solución óptima para todos los problemas convexos, pero es sólo una cuestión de potencia informática, para problemas pequeños, se pueden utilizar los solucionadores existentes para encontrar la solución óptima muy rápidamente, mientras que para problemas grandes, generalmente se requieren algunos algoritmos de descomposición personalizados. . Los problemas no convexos deben analizarse en detalle. Si solo tiene variables enteras, generalmente se puede encontrar una buena solución.
Los métodos de optimización más utilizados en sistemas eléctricos son la programación lineal (LP), la programación cuadrática (QP) y la programación entera (MIP). LP y QP se utilizan a menudo para resolver la programación óptima, y MIP se utiliza para el compromiso de unidades del día siguiente. Todos estos tipos de problemas tienen algoritmos muy maduros, como el método poligonal (símplex) y el método enlazado de rama, y solucionadores (solucionadores), como Gurobi y Cplex. Además, existe un problema específico del sistema de energía, que es el cálculo del flujo de energía de CA (ACOPF). Es un problema no convexo y la industria puede utilizar el método de descenso de gradiente para encontrar una solución subóptima. También se encontraron muchos algoritmos heurísticos para mejorar la velocidad y la calidad de la solución. En los últimos 10 años, el campo de investigación de control de redes representado por Caltech Steven Low también ha propuesto algunas soluciones aproximadas de optimización convexa para ACOPF, como el uso de programación definida positiva (programación semidefinida), que solo asume limitaciones y actualmente no parecen ser utilizados por la industria reconocidos por la industria.
A continuación, hablemos del algoritmo de descomposición de optimización (descomposición). La investigación de optimización en el campo del poder trata principalmente de modelar y descomponer problemas de optimización a gran escala. Las dimensiones del problema se reflejan principalmente en la dimensión espacial. (espacial) y la dimensión temporal (temporal), e incertidumbre. Los algoritmos de descomposición más utilizados incluyen el método de descomposición primaria/dual. Para esto, puede consultar el material didáctico de Stanford Stephen Boyd. La idea es utilizar la estructura del problema en sí para dividir un problema grande en problemas pequeños que se pueden resolver de forma independiente y en orden. en paralelo arreglando la variable de acoplamiento (subproblema), y luego resumir los resultados de los problemas pequeños y actualizar la variable de acoplamiento (usando el método de gradiente/subgradiente, o el método de corte plano), y usar este bucle para resolver todo el problema (problema maestro). Generalmente se basa en la combinación con la computación paralela. Puede generar un aumento de velocidad a nivel de serie. Por ejemplo, los problemas que originalmente tardaron horas o incluso días en resolverse se pueden resolver en minutos mediante la computación paralela descompuesta. Este tipo de algoritmo de descomposición se utiliza a menudo para la descomposición espacial y la descomposición de escenarios.
Otro algoritmo de descomposición comúnmente utilizado es la programación dinámica, que se utiliza para resolver problemas de control de optimización con incertidumbre en una escala de tiempo larga. Por ejemplo, el algoritmo clásico para la planificación hidroeléctrica es la programación dinámica dual estocástica. Alex Shapiro de Gatech ha escrito buena información al respecto. Finalmente, en términos de aprendizaje, además de comprender algunos algoritmos de optimización clásicos básicos como el descenso de gradiente y el método poligonal, el encuestado consideró que la aplicación de la optimización en electricidad se refleja principalmente en la comprensión de la relación entre los problemas primarios y duales y la Condición KKT, como El dual correspondiente a la restricción primal es el subgradiente de la restricción, que es el precio de la restricción. Muchos problemas de descomposición de optimización se pueden resolver mediante la comprensión de esta relación.
Otra dificultad radica en la comprensión de la decisión de múltiples etapas y la incertidumbre, como comprender la diferencia entre el control no anticipado y el control predictivo del modelo. Este problema puede incluso extenderse al aprendizaje automático actual (programación dinámica aproximada en el control de optimización). Ha leído mucha información y siente que la escritura de Shapiro es la mejor.