⚡ electrical engineering

Learning-Augmented Power System Operations: A Unified Optimization View

本文介绍了 LAPSO，这是一个统一的优化框架，它通过在训练和推理阶段对模型进行联合优化、提供用于评估的设计指标，并提供一个开源 Python 软件包以实现现有决策过程的自动化增强，从而系统地将机器学习与传统的基于物理的电力系统运行相结合。

原作者： Wangkun Xu, Zhongda Chu, Fei Teng

发布于 2026-02-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Wangkun Xu, Zhongda Chu, Fei Teng

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，电网就像一个庞大而复杂的管弦乐团。长期以来，指挥家（电力系统运行人员）一直依赖于一套严格的、基于规则的方法（基于物理的模型）来确保音乐平稳演奏。他们非常清楚每件乐器应该如何根据物理定律表现。

然而，这个乐团正在发生变化。人们正在加入一些不可预测且带有一点混乱色彩的新乐器——比如取决于天气的可再生能源（风能和太阳能）。旧的规则手册已经难以应对这种新的混乱，导致潜在的不稳定或资金浪费。

机器学习（ML） 登场了。可以将机器学习想象成一位才华横溢、直觉敏锐的音乐家，他能比旧规则手册更好地“感知”天气和电网的模式。但问题在于，在过去，“直觉敏锐的音乐家”和“规则手册指挥家”是在不同的房间里工作的。音乐家独自练习以追求尽可能高的准确性，而指挥家则根据规则手册做决策，直到为时已晚才会忽略音乐家的见解。这种“孤岛式”的方法经常导致错误的决策——要么成本过高，要么极其危险。

解决方案：LAPSO（统一指挥家）

这篇论文提出了一种名为 LAPSO（学习增强型电力系统运行）的新框架。可以将 LAPSO 想象成一种全新的指挥方式，在这种方式下，“直觉敏锐的音乐家”（机器学习）和“规则手册指挥家”（优化算法）从一开始就在同一个房间里共同训练并协作。

以下是论文如何使用简单概念来拆解这一过程的：

1. “训练”问题：为什么准确性并非一切

通常，当我们训练一个机器学习模型（比如天气预报员）时，我们只希望它尽可能准确。

论文的洞察： 在电网中，仅仅做到“准确”并不总是最重要的。
类比： 想象一位天气预报员完美地预测了风速。但由于这个完美的预测，电力系统运行人员决定关闭一台备用发电机，认为风力会保持稳定。如果风突然停止，电网就会崩溃。
LAPSO 的修正方案： LAPSO 不仅仅训练预报员做到“正确”，而是训练它变得“有用”。它会问：“这个预测是否能帮助指挥家做出最好、最便宜、最安全的决策？”如果一个准确度稍低但能带来更安全电网的预测更好，LAPло 就会倾向于选择后者。

2. 它们协作的两大主要方式

论文强调了这种新“团队协作”发生的两种具体方式：

稳定性约束优化 (SCO)：“安全卫士”
- 问题： 电网需要保持稳定（不摇晃或崩溃）。传统方法计算这种稳定性速度很慢。
- LAPSO 的方式： 他们训练一个机器学习模型来充当“安全卫士”。这个卫士学会了快速识别危险情况。
- 难点： 如果卫士过于复杂（比如一个超级复杂的神经网络），它会拖慢整个决策过程。LAPSO 教导卫士要聪明但保持简单，以免拖累指挥家。它在准确性（捕捉所有危险）与速度（不让系统卡顿）之间取得平衡。
基于目标的预测 (OBF)：“成本意识预报员”
- 问题： 预报员通常只是试图猜测未来的负荷（人们将使用多少电量）。
- LAPSO 的方式： 这个预报员经过专门训练，旨在最小化运行电网的成本。
- 类比： 想象一位厨师，他不只是猜测会有多少人来吃晚餐，而是以一种能最大限度减少食物浪费和成本的方式来进行猜测。如果厨师知道稍微高估人数比食物不够用更划算，他们会稍微“偏向”这种猜测以节省成本。LAPSO 在电力系统上也是如此：它训练预报员做出能让公用事业公司账单尽可能低的预测。

3. 处理未知情况（不确定性）

论文还讨论了“不确定性”。

类比： 想象你正在计划一次野餐。你对天气存在不确定性（会下雨吗？），也对你自己的计划存在不确定性（如果我忘了带伞怎么办？）。
LAPSO 的方法： 它创建了一个数学地图来追踪这些不确定性的来源。不确定性是来自于机器学习模型本身（它在瞎猜）？还是来自于优化问题（计划具有灵活性）？LAPSO 帮助运行人员理解这些不同类型的“猜测”，以便即使在情况不明朗时也能做出更安全的决策。

4. 工具箱（Python 软件包）

最后，作者不仅写出了理论；他们还构建了一个工具箱（一个名为 lapso 的 Python 软件包）。

它的作用： 它就像一个通用适配器。如果一家电力公司已经拥有一个复杂的优化模型（他们的“规则手册”），这个工具可以自动将新的“直觉敏锐的音乐家”（机器学习）接入其中，而不会破坏现有的系统。它处理了所有繁重的数学运算，因此工程师无需从头开始重写所有的代码。

总结

简而言之，这篇论文认为我们不应该将机器学习和电力系统运行视为两个独立的工具。相反，我们应该协同设计它们。

旧方式： 训练 AI 达到完美，然后寄希望于它能符合电网的规则。
LAPSO 方式： 专门训练 AI 来帮助电网的规则做出更好、更便宜、更安全的决策，同时确保 AI 不会变得过于复杂而难以使用。

其核心是从“孤岛式”方法（各自为政）转向“集成式”方法（协同作战），以应对未来充满挑战、高度依赖可再生能源的电力系统。

技术摘要：学习增强型电力系统运行 (LAPSO)

1. 问题陈述

传统的电力系统运行 (PSO) 依赖于基于物理的模型以及由预测、运行和控制组成的顺序决策框架。然而，随着可再生能源和逆变器基资源 (IBR) 渗透率的不断提高，引入了显著的不确定性和复杂的动力学特性，这对这些传统方法的经济效率、稳定性和鲁棒性提出了挑战。

目前的解决方案通常存在“孤岛式”设计范式的问题：

任务孤立： 预测、运行和控制是独立设计的。例如，可再生能源预测通常仅以准确性为驱动，忽略了其对下游运行经济性的级联影响。相反，以经济为导向的运行往往在控制阶段忽略了稳定性约束。
学习脱节： 机器学习 (ML) 模型是在与其最终支持的优化框架隔离的情况下进行训练的。下游基于物理优化的目标并未反映在 ML 训练过程中，且 ML 不确定性与优化参数之间的相互作用是不透明的。
缺乏统一框架： 目前缺乏一个通用的框架来系统地整合数据驱动的 ML 与基于物理的优化，量化模型准确性与运行性能之间的权衡，或追踪来自不同来源（例如黑盒模型与未知系统参数）的不确定性。

2. 方法论：LAPSO 框架

本文提出了学习增强型电力系统运行 (LAPSO)，这是一个以运行阶段为中心，系统地建模“数据-物理纽带”的统一框架。

核心数学公式

LAPSO 通过将参数化 ML 模型编码为内在组件，重新定义了基础电力系统运行问题 ( $P_{basic}$ )。

基础问题 ( $P_{basic}$ ): $\min_z f(z; y)$ ，受限于 $g(z; y) \le 0$ ，其中 $z$ 是决策变量， $y$ 是参数（如负荷、可再生能源剖面）。
LAPSO 问题 ( $P_{lapso}$ ): 该框架引入了一个可学习组件 $v(\cdot; \theta)$ ，它根据输入 $x$ 和决策 $z$ 预测参数 $\hat{y}_2$ 。增强后的问题公式化为：
$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$
$\text{s.t. } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$
这里， $\theta^*$ 代表训练后的模型参数。至关重要的是，ML 模型被视为优化的一个可学习组件，这意味着训练过程必须考虑 $\theta$ 对 $P_{lapso}$ 的最优性、效率和保守性的影响。

设计原则与指标

该框架引入了一个平衡三个维度的“设计三角”：

建模目标： 要学习的物理动力学或指标（如稳定性指数、可再生能源动态）。
ML 技术： 算法选择（如线性回归、神经网络）。
PSO 类型： 底层优化的结构（如 MILP、凸优化、非凸优化）。

建立了关键设计指标来量化权衡：

准确性 vs. 运行影响： 在预测准确性与由此产生的优化计算负担及经济成本之间进行平衡。
最优性与保守性： 确保 ML 增强后的问题仍处于原始基于物理问题的可求解类中（例如，保持凸性），以保证全局最优性。

代表性应用

本文通过两个具体应用展示了 LAPSO：

稳定性约束优化 (SCO)： ML 模型作为运行阶段内的稳定性评估器（约束）。该框架提倡使用“中等复杂度”的评估器，以在准确性与保持优化类（例如使用凸或混合整数线性近似）的需求之间取得平衡，从而避免过度的计算负担或错误的保守性。
基于目标的预测 (OBF)： 预测器不再是最小化预测误差（如 MSE），而是被训练为最小化下游优化的运行成本。这被公式化为一个双层优化问题（Stackelberg 博弈），其中上层优化预测器参数 $\theta_h$ ，以最小化源自下层运行成本的损失 $\ell$ 。

不确定性量化

LAPSO 提供了一个贝叶斯视角来进行端到端的不确定性追踪：

来源： 区分了 ML 不确定性（认知不确定性和偶然不确定性）与 优化不确定性（优化结构的变化或不可预测的参数 $y_1$ ）。
传播： 使用自动微分和隐函数定理（通过 KKT 条件）来追踪 ML 参数中的不确定性如何传播到最终的决策变量和成本。
鲁棒性： 提出了一种“事后观察 (wait-and-see)”的鲁棒公式，以应对优化参数中的不确定性，并通过列与约束生成 (C&CG) 方法进行求解。

3. 主要贡献

统一框架： 提出将 LAPSO 作为一种通用的数学公式，通过将 ML 视为优化问题的一个内在组成部分，统一了传统上孤立的任务（预测、运行、控制）。
设计指标： 引入了一套系统的指标，用于评估 ML 模型性能及其对底层优化（效率、最优性、保守性）的影响。
可扩展性： 展示了该框架闭合“预测-运行-控制”链条的能力，并处理混合学习-优化任务的能力。
不确定性追踪： 提供了一种系统的方法来识别和量化来自数据驱动和基于物理来源的不确定性，包括一种针对“事后观察”不确定性的新型鲁棒训练算法。
开源工具： 开发并发布了两个 Python 包：
- pso： 生成具有时空运行数据的可扩展电力系统测试床。
- lapso： 自动将现有的优化模型（基于 CVXPY）增强为带有可学习组件的模型，并在必要时处理将神经网络转化为混合整数线性约束的过程。

4. 结果与验证

本文通过在 IEEE 14、39、57、118 和 300 节点系统上的数值模拟验证了该框架。

SCO 验证： 在 IEEE 14 节点系统中使用，研究表明不同的 ML 模型复杂度（例如，凸或非凸评估器）会导致稳定性评估准确性与运行成本之间的不同权衡。研究表明，中等复杂度的评估器比会降低经济效率的高复杂度评估器能提供更好的平衡。
OBF 验证： 框架表明，使用基于目标的损失（与运行成本对齐）进行训练的预测器，与传统的基于准确性驱动的训练相比，会产生不同且通常更具经济效率的结果。
可扩展性： 规模分析（详见附录）确认了该框架在较大系统（高达 300 节点）中的适用性。
实现： lapso 包成功实现了将神经网络集成到优化约束中的自动化，验证了所提数学变换的可行性。

5. 意义与主张

本文声称，LAPSO 代表了电力系统决策从孤立的、仅基于物理的方法向集成的、数据-物理纽带方法的根本转变。

范式转变： 它超越了仅将 ML 视为动态建模工具的局限，将其视为优化本身的一个可学习组件。
透明度： 通过提供统一的数学视图，LAPSO 使 ML 与基于物理的方法之间的关系变得透明，从而能够系统地评估不确定性和性能。
实际效用： 该框架旨在通过增强传统优化能力的同时保留其结构和可求解性，从而被系统运行人员所接受。
面向未来： 该框架本质上是可扩展的，能够处理需要预测、运行和控制闭环集成的各种新兴范式，应对脱碳电网日益增长的复杂性。

作者强调，虽然本文重点讨论了作为代表性示例的 SCO 和 OBF，但 LAPSO 框架广泛适用于各种电力系统任务，包括微电网控制和储能套利，只要这些任务可以被公式化为优化问题。