内嵌神经网络的拉格朗日乘子选择技术加速分布式需求响应收敛
Neural-Network-Based Lagrange Multiplier Selection for Distributed Demand Response in Smart Grid
阮广春, 钟海旺, 王剑晓, 夏清, 康重庆
研究背景
智能电网中大量涌现的智能建筑与用户是潜在的需求响应资源,而分布式需求响应技术通过引导多个分布式主体自趋优地挖掘响应潜力,有望高效汇聚海量分布式资源并显著提升需求侧弹性。
与大多数分布式应用场景相近,现有的分布式需求响应算法普遍面临收敛速度慢的问题,整个收敛过程往往伴随着反复性的迭代震荡。造成震荡的核心原因是:在有限信息条件下(因为是分布式应用),迭代公式中的部分关键参数设置不当。可见,迭代公式中的参数设置至关重要,如何高效优化这些参数是实现收敛加速的关键。
研究方法
智能电网中存储的历史数据为改进分布式需求响应算法效率提供了新的机遇。本文希望利用历史数据资源改进迭代公式中拉格朗日乘子的更新规则,从而大幅加快收敛速度、抑制迭代震荡过程。
针对电力零售商(上层协调层)与多用户(下层优化层)互动的应用场景,本文设计了一种解析-神经网络混合建模的新框架: