中國儲能網(wǎng)訊：
1 復雜微電網(wǎng)能量管理面臨的實時求解挑戰(zhàn)
隨著新能源和分布式能源系統(tǒng)的廣泛應用，微電網(wǎng)已成為現(xiàn)代電力系統(tǒng)的重要組成部分。然而，微電網(wǎng)的能量管理涉及對多個分布式能源（如風能、光伏等）的實時協(xié)調與優(yōu)化。由于負荷和新能源出力的不確定性較大，加之分布式能源數(shù)量多且配電網(wǎng)絡結構復雜，使得微電網(wǎng)能量管理問題的復雜度極高。為保證微電網(wǎng)的可靠經濟運行，優(yōu)化問題必須在數(shù)分鐘內得到求解，以應對負荷和新能源發(fā)電的實時波動。因此，如何在有限時間內高效求解復雜微電網(wǎng)的能量管理問題，并確保解的可行性和最優(yōu)性，已成為該領域亟待解決的關鍵挑戰(zhàn)。
2 基于圖神經網(wǎng)絡（GNN）的列生成方法在加速微電網(wǎng)能量管理求解中的優(yōu)勢
列生成方法是一種成熟且高效的分解技術，能夠通過利用優(yōu)化問題的結構特性，將大規(guī)模問題拆解為更易處理的小規(guī)模子問題，從而提高優(yōu)化求解的效率。在微電網(wǎng)能量管理問題中，列生成方法可以靈活應對分布式能源和復雜網(wǎng)絡拓撲下的耦合約束，確保解的可行性和最優(yōu)性。此外，列生成方法通過迭代生成并逐步優(yōu)化列集，能夠保證獲得高質量的解，尤其在多約束、高維度的復雜優(yōu)化問題中展現(xiàn)出顯著優(yōu)勢。
然而，盡管列生成方法在降低計算復雜度上表現(xiàn)突出，其局限性同樣顯著。傳統(tǒng)列生成方法的收斂速度較慢，特別是在實時調度需求較高的復雜微電網(wǎng)能量管理場景中，難以滿足實時性的要求。每個迭代步驟中，列生成方法通常需要逐步添加大量的列，并對這些列進行篩選和擴展，這導致計算量迅速增加，特別是在大規(guī)模網(wǎng)絡或復雜約束下，計算步驟繁多，影響了實時求解效率。
為了解決這一問題，近年來引入了基于機器學習技術的優(yōu)化加速策略，如GNN。GNN通過建模列與約束之間的圖結構信息，能夠智能加速列選擇過程。其優(yōu)勢在于能夠從歷史數(shù)據(jù)中學習，快速識別并挑選出最具潛力的列進行擴展，從而減少不必要的迭代步驟，大幅提升列生成方法的收斂速度。在微電網(wǎng)能量管理問題中，GNN特別適合處理復雜的分布式能源節(jié)點、負荷和網(wǎng)絡結構，提供高效的能量調度優(yōu)化解決方案。
總而言之，將GNN與列生成方法相結合，不僅能確保優(yōu)化問題解的可行性和全局最優(yōu)性，還能有效保證復雜微電網(wǎng)能量管理問題的實時求解。
3 如何基于GNN與列生成方法設計微電網(wǎng)能量管理的加速求解框架？
首先，本文利用列生成方法將微電網(wǎng)能量管理問題拆分為主問題和若干個子問題。主問題負責微電網(wǎng)的整體協(xié)調調度，子問題則分別處理各分布式能源單元的出力決策。主問題在每次迭代中生成新的列，通過動態(tài)擴展列的集合來不斷優(yōu)化系統(tǒng)調度。然而，傳統(tǒng)列生成方法需要處理大量列，迭代步驟繁多且收斂較慢，因此，引入了GNN來加速列的選擇?；贕NN的列生成方法如圖1所示。
圖1 基于GNN的列生成方法示意圖
本文使用了二部圖來表示主問題中的列與約束的相互作用，如圖2(a)所示。二部圖中的節(jié)點分為三類：列節(jié)點、約束節(jié)點以及目標函數(shù)節(jié)點。列節(jié)點表示主問題中可能的調度方案，約束節(jié)點表示能量管理問題中的各類運行約束，而目標函數(shù)節(jié)點則連接著所有對優(yōu)化目標有影響的列。通過將列生成方法問題中的列與約束關系表示為圖結構，GNN可以有效捕捉到列和約束之間的復雜交互。
圖2 表示主問題的二部圖 (a) 具有三類節(jié)點的二部圖 (b) 變量節(jié)點的更新 (c) 約束節(jié)點和目標函數(shù)節(jié)點的更新
為了進一步提高求解效率，本文提出了GNN的消息傳遞機制。在該機制下，圖中的節(jié)點通過消息傳遞的方式更新其狀態(tài)，逐步聚合來自相鄰節(jié)點的信息。具體來說，列節(jié)點會從約束節(jié)點和目標函數(shù)節(jié)點獲取其關聯(lián)信息，并將這些信息用于調整其選擇策略。同樣，約束節(jié)點和目標函數(shù)節(jié)點也會根據(jù)列節(jié)點的信息更新自己的狀態(tài)。該消息傳遞過程通過多層圖卷積實現(xiàn)，最終使得每個節(jié)點都能獲取全局視角的信息，從而幫助選擇最具潛力的列進行擴展。上述過程如圖2(b)和圖2(c)所示。
在每個列生成方法的迭代步驟中，GNN的列選擇策略起到了關鍵作用。傳統(tǒng)列生成方法通常根據(jù)減少的成本來選擇列，而GNN則通過學習列與約束之間的復雜關系，智能地篩選出最優(yōu)的列進行擴展。具體而言，GNN通過利用歷史求解過程中的對偶變量，預測當前最有可能降低目標函數(shù)的列，并選擇這些列用于下一步擴展。該列選擇策略不僅加快了列生成方法過程的收斂速度，還能保證對偶變量的平滑與穩(wěn)定，從而進一步提高求解效率。GNN的列選擇策略如圖3所示。
圖3 GNN的列選擇策略 (a) 選擇最有可能降低目標函數(shù)的列 (b) 擴展的二部圖
將所提基于GNN的列生成方法應用于小型、中型和大型微電網(wǎng)測試系統(tǒng)，并與傳統(tǒng)列生成方法進行了詳細比較。實驗結果表明，GNN加速方法在所有測試系統(tǒng)中都顯著減少了計算時間和迭代次數(shù)，如圖4所示。尤其是在大型微電網(wǎng)系統(tǒng)中，傳統(tǒng)列生成方法的求解時間常常超過每個調度周期的時限，而GNN加速方法能夠在規(guī)定的時間內快速收斂，生成最優(yōu)調度方案。更重要的是，在保證調度方案求解效率的同時，GNN加速方法在總發(fā)電成本上也能與傳統(tǒng)列生成方法持平，甚至在部分測試中表現(xiàn)出更優(yōu)的結果。
圖4 本文所提方法與傳統(tǒng)列生成方法在收斂過程中計算時間和迭代次數(shù)的比較 （a）計算時間（b）迭代次數(shù)
此外，與單純基于機器學習的加速方法（即不包含列生成方法技術）相比，本文提出的基于GNN的列生成方法得益于對微電網(wǎng)物理模型的有效融合，能夠更好地適應不同的微電網(wǎng)運行環(huán)境，確保物理約束條件的滿足。在不同的微電網(wǎng)網(wǎng)絡結構下，本文方法依然能夠顯著減少計算時間和迭代次數(shù)，如圖5所示。這充分表明，基于GNN的列生成方法不僅提升了復雜微電網(wǎng)能量管理問題的求解效率，還為實時調度提供了一種切實可行且靈活的解決方案。
圖5 本文所提方法與單純基于機器學習的加速方法在收斂過程中計算時間和迭代次數(shù)的比較（a）計算時間
