⚡ electrical engineering

Learning-Augmented Power System Operations: A Unified Optimization View

Dit artikel introduceert LAPSO, een verenigd optimalisatiekader dat machine learning systematisch integreert met traditionele natuurkundige operationele processen van elektriciteitssystemen door modellen gezamenlijk te optimaliseren tijdens zowel de trainings- als de inferentiefase, ontwerpmetrieken voor evaluatie te bieden en een open-source Python-package aan te bieden om de augmentatie van bestaande besluitvormingsprocessen te automatiseren.

Oorspronkelijke auteurs: Wangkun Xu, Zhongda Chu, Fei Teng

Gepubliceerd 2026-02-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wangkun Xu, Zhongda Chu, Fei Teng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het elektriciteitsnet voor als een enorm, complex orkest. Lange tijd heeft de dirigent (de systeembeheerders van het elektriciteitsnet) vertrouwd op een strikte, op regels gebaseerde aanpak (fysica-gebaseerde modellen) om de muziek vloeiend te laten spelen. Ze weten precies hoe elk instrument zich zou moeten gedragen op basis van de wetten van de natuurkunde.

De orkest verandert echter. Er worden nieuwe instrumenten toegevoegd die onvoorspelbaar en een beetje chaotisch zijn — zoals hernieuwbare energiebronnen (wind en zon) die afhankelijk zijn van het weer. Het oude regelboek heeft moeite om bij deze nieuwe chaos te blijven, wat kan leiden tot instabiliteit of verspilling van geld.

Maak kennis met Machine Learning (ML). Denk aan ML als een getalenteerde, intuïtieve muzikant die het weer en het net beter kan "voelen" dan het oude regelboek. Maar hier is het probleem: in het verleden werkten de "intuïtieve muzikant" en de "regelboek-dirigent" in aparte kamers. De muzikant oefende alleen om zo nauwkeurig mogelijk te zijn, en de dirigent nam beslissingen op basis van het regelboek, waarbij de inzichten van de muzikant werden genegeerd totdat het te laat was. Deze "gesiloiseerde" aanpak leidde vaak tot slechte beslissingen — ofwel te duur, ofwel gevaarlijk instabiel.

De Oplossing: LAPSO (De Verenigde Dirigent)

Dit artikel stelt een nieuw framework voor genaamd LAPSO (Learning-Augmented Power System Operations). Denk aan LAPSO als een nieuwe manier van dirigeren waarbij de "intuïtieve muzikant" (ML) en de "regelboek-dirigent" (Optimalisatie) vanaf het begin samen worden getraind en in dezelfde kamer werken.

Hieronder legt het artikel dit uit met behulp van eenvoudige concepten:

1. Het "Trainingsprobleem": Waarom nauwkeurigheid niet alles is

Normaal gesproken, wanneer we een machine learning-model trainen (zoals een weervoorspeller), willen we alleen dat het zo nauwkeurig mogelijk is.

Het inzicht van het artikel: In een elektriciteitsnet is "nauwkeurig" zijn niet altijd het belangrijkste.
De analogie: Stel je een weervoorspeller voor die de windsnelheid perfect voorspelt. Maar, vanwege die perfecte voorspelling, besluit de beheerder van het elektriciteitsnet een back-up generator uit te schakelen, in de veronderstelling dat de wind zal aanhouden. Als de wind plotseling wegvalt, stort het net in.
De fix van LAPSO: In plaats van de voorspeller alleen maar te trainen om "gelijk" te hebben, traint LAPSO de voorspeller om nuttig te zijn. Het vraat: "Helpt deze voorspelling de dirigent om de beste, goedkoopste en veiligste beslissing te nemen?" Als een iets minder nauwkeurige voorspelling leidt tot een veiliger net, geeft LAPSO de voorkeur aan die laatste.

2. De twee belangrijkste manieren waarop ze samenwerken

Het artikel belicht twee specifieke manieren waarop deze nieuwe "teamwork" plaatsvindt:

Stability-Constrained Optimization (SCO): De "Veiligheidsbewaker"
- Het probleem: Het net moet stabiel blijven (niet wankelen of crashen). Traditionele methoden zijn traag om dit te berekenen.
- De LAPSO-manier: Ze trainen een machine learning-model om als een "Veiligheidsbewaker" te fungeren. Deze bewaker leert om gevaarlijke situaties snel te herkennen.
- De crux: Als de bewaker te ingewikkeld is (zoals een supercomplex neuraal netwerk), vertraagt dit het hele besluitvormingsproces. LAPSO leert de bewaker om slim maar simpel genoeg te zijn, zodat hij de dirigent niet ophoudt. Het balanceert tussen nauwkeurigheid (alle gevaren vangen) en snelheid (het systeem niet laten bevriezen).
Objective-Based Forecasting (OBF): De "Kostenbewuste Voorspeller"
- Het probleem: Voorspellers proberen meestal alleen de toekomstige belasting te raden (hoeveel elektriciteit mensen zullen gebruiken).
- De LAPSO-manier: Deze voorspeller wordt specifief getraind om de kosten van het draaien van het net te minimaliseren.
- De analogie: Stel je een chef voor die niet alleen raadt hoeveel mensen er zullen komen eten, maar die zijn gokken doet op een manier die voedselverspilling en kosten minimaliseert. Als de chef weet dat een lichte overschatting van gasten goedkoper is dan het tekort aan eten, zal hij zijn schatting hierdoor licht "biasen" om geld te besparen. LAPSO doet dit voor elektriciteitsnetten: het traint de voorspeller om voorspellingen te doen die resulteren in de laagst mogelijke rekening voor de nutsmaatschappij.

3. Omgaan met het onbekende (Onzekerheid)

Het artikel spreekt ook over "onzekerheid".

De analogie: Stel je voor dat je een picknick plant. Je hebt onzekerheid over het weer (gaat het regenen?) en je hebt onzekerheid over je eigen plan (wat als ik een paraplu vergeet?).
De aanpak van LAPSO: Het creëert een wiskundige kaart om bij te houden waar deze onzekerheden vandaan komen. Komt de onzekerheid van het machine learning-model zelf (het is aan het gissen)? Of komt het van het optimalisatieprobleem (het plan is flexibel)? LAPSO helpt de operators om deze verschillende soorten "gissingen" te begrijpen, zodat ze veiligere beslissingen kunnen nemen, zelfs wanneer de zaken onduidelijk zijn.

4. De Toolkit (Het Python-pakket)

Ten slotte hebben de auteurs niet alleen een theorie geschreven; ze hebben een gereedschapskist gebouwd (een Python-pakket genaamd lapso).

Wat het doet: Het is als een universele adapter. Als een elektriciteitsbedrijf al een complex optimalisatiemodel heeft (hun "regelboek"), kan deze tool de nieuwe "intuïtieve muzikant" (ML) automatisch in het systeem pluggen zonder het bestaande systeem te breken. Het handelt al het zware rekenwerk af, zodat ingenieurs niet hun hele code vanaf nul opnieuw hoeven te schrijven.

Samenvatting

Kortom, dit artikel betoogt dat we Machine Learning en elektriciteitsnetbeheer niet als aparte tools moeten behandelen. In plaats daarvan moeten we ze co-designen.

Oude manier: Train de AI om perfect te zijn, en hoop dan dat het binnen de regels van het net past.
LAPSO-manier: Train de AI specif으로 om de regels van het net te helpen betere, goedkopere en veiligere beslissingen te nemen, terwijl je ervoor zorgt dat de AI niet te complex wordt om te gebruiken.

Het gaat om de overgang van een "gesiloiseerde" aanpak (alleen werken) naar een "geïntegreerde" aanpak (als een team werken) om de chaotische, door hernieuwbare energie gedomineerde elektriciteitsnetten van de toekomst te beheren.

Technische Samenvatting: Learning-Augmented Power System Operations (LAPSO)

1. Probleemstelling

Traditionele operationele processen voor elektriciteitsnetten (Power System Operations, PSO) vertrouwen op natuurkundige modellen en sequentiële besluitvormingskaders die bestaan uit voorspelling, operatie en controle. De toenemende penetratie van hernieuwbare energie en inverter-gebaseerde bronnen (IBR's) introduceert echter aanzienlijke onzekerheden en complexe dynamiek die de economische efficiëntie, stabiliteit en robuustheid van deze traditionele benaderingen uitdagen.

Huidige oplossingen lijden vaak aan een "silo-ontwerpparadigma":

Geïsoleerde taken: Voorspelling, operatie en controle zijn onafhankelijk van elkaar ontworpen. Bijvoorbeeld: de voorspelling van hernieuwbare energie is doorgaans gericht op nauwkeurigheid, waarbij de cascade-effecten op de downstream economische operatie worden genegeerd. Omgekeerd negeren economisch gedreven operaties vaak stabiliteitsbeperkingen tijdens de controlefase.
Gedesconnecteerd leren: Machine learning (ML)-modellen worden geïsoleerd getraind van de optimalisatiekaders waar ze uiteindelijk ondersteuning aan bieden. De doelstellingen van downstream natuurkundige optimalisaties worden niet weerspiegeld in het ML-trainingsproces, en de interactie tussen ML-onzekerheid en optimalisatieparameters blijft opaak.
Gebrek aan een verenigd kader: Er is geen algemeen kader om data-gedreven ML systematisch te integreren met natuurkundige optimalisatie, de trade-offs tussen modelnauwkeurigheid en operationele prestaties te kwantificeren, of onzekerheden uit diverse bronnen (bijv. black-box modellen versus onbekende systeemparameters) te herleiden.

2. Methodologie: Het LAPSO-kader

Het artikel stelt Learning-Augmented Power System Operations (LAPSO) voor, een verenigd kader dat centraal staat rond de operatiefase om de "data-physics nexus" systematisch te modelleren.

Kern van de Wiskundige Formulering

LAPSO herdefinieert het basisprobleem van de elektriciteitsnetoperatie ( $P_{basic}$ ) door parametrische ML-modellen als inherente componenten te coderen.

Basisprobleem ( $P_{basic}$ ): $\min_z f(z; y)$ onder de voorwaarde $g(z; y) \le 0$ , waarbij $z$ de beslissingsvariabelen zijn en $y$ de parameters (bijv. belasting, profielen van hernieuwbare energie).
LAPSO-probleem ( $P_{lapso}$ ): Het kader introduceert een leerbaar component $v(\cdot; \theta)$ dat parameters $\hat{y}_2$ voorspelt op basis van inputs $x$ en beslissingen $z$ . Het uitgebreide probleem wordt geformuleerd als:
$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$
$\text{onder de voorwaarden: } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$
Hier vertegenwoordigt $\theta^*$ de getrainde modelparameters. Cruciaal is dat het ML-model wordt behandeld als een leerbare component van de optimalisatie, wat betekent dat het trainingsproces rekening moet houden met de impact van $\theta$ op de optimaliteit, efficiëntie en conservatisme van $P_{lapso}$ .

Ontwerpprincipes en Metrieken

Het kader introduceert een "Design Triangle" die drie dimensies in evenwicht brengt:

Modelleringsdoel: De fysieke dynamiek of indices die geleerd moeten worden (bijv. stabiliteitsindices, dynamiek van hernieuwbare energie).
ML-technieken: De algoritmische keuze (bijv. lineaire regressie, neurale netwerken).
Classificatie van PSO: De structuur van de onderliggende optimalisatie (bijv. MILP, convex, niet-convex).

Belangrijke ontwerpmetrieken zijn vastgesteld om trade-offs te kwantificeren:

Nauwkeurigheid vs. Operationele Impact: Het balanceren van voorspellingsnauwkeurigheid tegen de computationele last en de economische kosten van de resulterende optimalisatie.
Optimaliteit en Conservatisme: Garanderen dat het met ML uitgebreide probleem binnen de oplosbare klasse van het oorspronkelijke natuurkundige probleem blijft (bijv. behoud van convexiteit) om globale optimaliteit te garanderen.

Representatieve Toepassingen

Het artikel demonstreert LAPSO via twee specifieke toepassingen:

Stabiliteits-beperkte Optimalisatie (SCO): ML-modellen fungeren als stabiliteitsassessors (beperkingen) binnen de operatiefase. Het kader pleit voor "gemiddelde complexiteit" assessors die een balans vinden tussen nauwkeurigheid en de noodzaak om de optimalisatieklasse te behouden (bijv. door gebruik te maken van convexe of mixed-integer lineaire benaderingen) om overmatige computationele last of valse conservatisme te voorkomen.
Doelgestuurde Voorspelling (OBF): In plaats van de voorspellingsfout te minimaliseren (bijv. MSE), wordt de ML-voorspeller getraind om de operationele kosten van de downstream optimalisatie te minimaliseren. Dit wordt geformuleerd als een bi-level optimalisatie (Stackelberg-spel) waarbij de bovenste laag de parameters van de voorspeller $\theta_h$ optimaliseert om de loss $\ell$ te minimaliseren die afgeleid is van de downstream operationele kosten.

Onzekerheidskwantificatie

LAPSO biedt een Bayesiaans perspectief voor end-to-end onzekerheidsherleiding:

Bronnen: Maakt onderscheid tussen ML-onzekerheid (epistemische en aleatorische) en Opt-onzekerheid (variaties in optimalisatiestructuren of onvoorspelbare parameters $y_1$ ).
Propagatie: Gebruikt automatische differentiatie en de impliciete functiestelling (via KKT-condities) om te herleiden hoe onzekerheden in ML-parameters propageren naar de uiteindelijke beslissingsvariabelen en kosten.
Robuustheid: Stelt een "wait-and-see" robuuste formulering voor om te beschermen tegen onzekerheden in optimalisatieparameters, opgelost via een column-and-constraint generation (C&CG) benadering.

3. Belangrijkste Bijdragen

Verenigd Kader: Stelt LAPSO voor als een algemene wiskundige formulering die traditioneel gescheiden taken (voorspelling, operatie, controle) verenigt door ML als een intrinsiek onderdeel van het optimalisatieprobleem te behandelen.
Ontwerpmetrieken: Introduceert een systematische set metrieken om de trade-offs tussen ML-prestaties en de impact ervan op de onderliggende optimalisatie (efficiëntie, optimaliteit, conservatisme) te evalueren.
Uitbreidbaarheid: Demonstreert het vermogen van het kader om de lus te sluiten in de forecast-operatie-controle ketens en hybride learning-optimalisatie taken aan te pakken.
Onzekerheidsherleiding: Biedt een systematische methode om onzekerheden uit zowel data-gedreven als natuurkundige bronnen te identificeren en te kwantificeren, inclusief een nieuw robuust trainingsalgoritme voor wait-and-see onzekerheden.
Open-Source Tools: Ontwikkelt en publiceert twee Python-packages:
- pso: Genereert schaalbare testbedden voor elektriciteitssystemen met spatiotemporele operationele data.
- lapso: Automatiseert het uitbreiden van bestaande optimalisatiemodellen (gebaseerd op CVXPY) met leerbare componenten, waarbij de transformatie van neurale netwerken naar mixed-integer lineaire beperkingen wordt afgehandeld waar nodig.

4. Resultaten en Verificatie

Het artikel valideert het kader via numerieke simulaties op IEEE 14-, 39-, 57-, 118- en 300-bus systemen.

SCO Validatie: Gebruikmakend van het IEEE 14-bus systeem toont de studie aan dat verschillende ML-modelcomplexiteiten (bijv. convexe vs. niet-convexe assessors) leiden tot duidelijke trade-offs tussen de nauwkeurigheid van de stabiliteitsbeoordeling en de operationele kosten. Een assessor met gemiddelde complexiteit blijkt een betere balans te bieden dan een zeer complexe assessor die de economische efficiëntie verslechtert.
OBF Validatie: Het kader laat zien dat het trainen van voorspellers met doelgestuurde losses (afgestemd op operationele kosten) leidt tot andere en vaak economisch efficiëntere resultaten vergeleken met traditionele nauwkeurigheidsgestuurde training.
Schaalbaarheid: De schaalbaarheidsanalyse (gedetailleerd in de Appendix) bevestigt de toepasbaarheid van het kader op grotere systemen (tot 300 bussen).
Implementatie: Het lapso pakket automatiseert succesvol de integratie van neurale netwerken in optimalisatiebeperkingen, wat de haalbaarheid van de voorgestelde wiskundige transformaties verifieert.

5. Betekenis en Claims

Het artikel claimt dat LAPSO een fundamentele verschuiving in de besluitvorming van elektriciteitsnetten vertegenwoordigt: van een gesiloiseerde, enkel op natuurkunde gebaseerde aanpak naar een geïntegreerde data-physics nexus.

Paradigmaverschuiving: Het gaat verder dan het behandelen van ML louter als een dynamisch modelleringsinstrument en ziet het als een leerbare component van de optimalisatie zelf.
Transparantie: Door een verenigd wiskundig perspectief te bieden, maakt LAPSO de relatie tussen ML en natuurkundige methoden transparant, wat een systematische evaluatie van onzekerheid en prestaties mogelijk maakt.
Praktisch Nut: Het kader is ontworpen om acceptabel te zijn voor systeembeheerders door de structuur en oplosbaarheid van traditionele optimalisatieproblemen te behouden terwijl ze worden versterkt met data-gedreven capaciteiten.
Toekomstbestendigheid: Het kader is inherent uitbreidbaar naar opkomende paradigma's die een gesloten loop integratie van voorspelling, operatie en controle vereisen, waarmee de groeiende complexiteit van gedecarboniseerde netten wordt geadresseerd.

De auteurs benadrukken dat hoewel dit artikel zich richt op SCO en OBF als representatieve voorbeelden, het LAPSO-kader breed toepasbaar is op diverse taken in elektriciteitsnetten, inclus inclusief controleframeworks voor microgrids en energieopslag-arbitrage, mits deze als optimalisatieproblemen kunnen worden geformuleerd.