中國(guó)儲(chǔ)能網(wǎng)訊：
1 復(fù)雜微電網(wǎng)能量管理面臨的實(shí)時(shí)求解挑戰(zhàn)
隨著新能源和分布式能源系統(tǒng)的廣泛應(yīng)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(duì)多個(gè)分布式能源（如風(fēng)能、光伏等）的實(shí)時(shí)協(xié)調(diào)與優(yōu)化。由于負(fù)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(luò)結(jié)構(gòu)復(fù)雜，使得微電網(wǎng)能量管理問題的復(fù)雜度極高。為保證微電網(wǎng)的可靠經(jīng)濟(jì)運(yùn)行，優(yōu)化問題必須在數(shù)分鐘內(nèi)得到求解，以應(yīng)對(duì)負(fù)荷和新能源發(fā)電的實(shí)時(shí)波動(dòng)。因此，如何在有限時(shí)間內(nèi)高效求解復(fù)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(lǐng)域亟待解決的關(guān)鍵挑戰(zhàn)。
2 基于圖神經(jīng)網(wǎng)絡(luò)（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(shì)
列生成方法是一種成熟且高效的分解技術(shù)，能夠通過利用優(yōu)化問題的結(jié)構(gòu)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(yīng)對(duì)分布式能源和復(fù)雜網(wǎng)絡(luò)拓?fù)湎碌鸟詈霞s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(zhì)量的解，尤其在多約束、高維度的復(fù)雜優(yōu)化問題中展現(xiàn)出顯著優(yōu)勢(shì)。
然而，盡管列生成方法在降低計(jì)算復(fù)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(shí)時(shí)調(diào)度需求較高的復(fù)雜微電網(wǎng)能量管理場(chǎng)景中，難以滿足實(shí)時(shí)性的要求。每個(gè)迭代步驟中，列生成方法通常需要逐步添加大量的列，并對(duì)這些列進(jìn)行篩選和擴(kuò)展，這導(dǎo)致計(jì)算量迅速增加，特別是在大規(guī)模網(wǎng)絡(luò)或復(fù)雜約束下，計(jì)算步驟繁多，影響了實(shí)時(shí)求解效率。
為了解決這一問題，近年來引入了基于機(jī)器學(xué)習(xí)技術(shù)的優(yōu)化加速策略，如GNN。GNN通過建模列與約束之間的圖結(jié)構(gòu)信息，能夠智能加速列選擇過程。其優(yōu)勢(shì)在于能夠從歷史數(shù)據(jù)中學(xué)習(xí)，快速識(shí)別并挑選出最具潛力的列進(jìn)行擴(kuò)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(fù)雜的分布式能源節(jié)點(diǎn)、負(fù)荷和網(wǎng)絡(luò)結(jié)構(gòu)，提供高效的能量調(diào)度優(yōu)化解決方案。
總而言之，將GNN與列生成方法相結(jié)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(fù)雜微電網(wǎng)能量管理問題的實(shí)時(shí)求解。
3 如何基于GNN與列生成方法設(shè)計(jì)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(gè)子問題。主問題負(fù)責(zé)微電網(wǎng)的整體協(xié)調(diào)調(diào)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(dòng)態(tài)擴(kuò)展列的集合來不斷優(yōu)化系統(tǒng)調(diào)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(diǎn)分為三類：列節(jié)點(diǎn)、約束節(jié)點(diǎn)以及目標(biāo)函數(shù)節(jié)點(diǎn)。列節(jié)點(diǎn)表示主問題中可能的調(diào)度方案，約束節(jié)點(diǎn)表示能量管理問題中的各類運(yùn)行約束，而目標(biāo)函數(shù)節(jié)點(diǎn)則連接著所有對(duì)優(yōu)化目標(biāo)有影響的列。通過將列生成方法問題中的列與約束關(guān)系表示為圖結(jié)構(gòu)，GNN可以有效捕捉到列和約束之間的復(fù)雜交互。
圖2 表示主問題的二部圖 (a) 具有三類節(jié)點(diǎn)的二部圖 (b) 變量節(jié)點(diǎn)的更新 (c) 約束節(jié)點(diǎn)和目標(biāo)函數(shù)節(jié)點(diǎn)的更新
為了進(jìn)一步提高求解效率，本文提出了GNN的消息傳遞機(jī)制。在該機(jī)制下，圖中的節(jié)點(diǎn)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(diǎn)的信息。具體來說，列節(jié)點(diǎn)會(huì)從約束節(jié)點(diǎn)和目標(biāo)函數(shù)節(jié)點(diǎn)獲取其關(guān)聯(lián)信息，并將這些信息用于調(diào)整其選擇策略。同樣，約束節(jié)點(diǎn)和目標(biāo)函數(shù)節(jié)點(diǎn)也會(huì)根據(jù)列節(jié)點(diǎn)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(shí)現(xiàn)，最終使得每個(gè)節(jié)點(diǎn)都能獲取全局視角的信息，從而幫助選擇最具潛力的列進(jìn)行擴(kuò)展。上述過程如圖2(b)和圖2(c)所示。
在每個(gè)列生成方法的迭代步驟中，GNN的列選擇策略起到了關(guān)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(xué)習(xí)列與約束之間的復(fù)雜關(guān)系，智能地篩選出最優(yōu)的列進(jìn)行擴(kuò)展。具體而言，GNN通過利用歷史求解過程中的對(duì)偶變量，預(yù)測(cè)當(dāng)前最有可能降低目標(biāo)函數(shù)的列，并選擇這些列用于下一步擴(kuò)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(duì)偶變量的平滑與穩(wěn)定，從而進(jìn)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(biāo)函數(shù)的列 (b) 擴(kuò)展的二部圖
將所提基于GNN的列生成方法應(yīng)用于小型、中型和大型微電網(wǎng)測(cè)試系統(tǒng)，并與傳統(tǒng)列生成方法進(jìn)行了詳細(xì)比較。實(shí)驗(yàn)結(jié)果表明，GNN加速方法在所有測(cè)試系統(tǒng)中都顯著減少了計(jì)算時(shí)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(shí)間常常超過每個(gè)調(diào)度周期的時(shí)限，而GNN加速方法能夠在規(guī)定的時(shí)間內(nèi)快速收斂，生成最優(yōu)調(diào)度方案。更重要的是，在保證調(diào)度方案求解效率的同時(shí)，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(cè)試中表現(xiàn)出更優(yōu)的結(jié)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(jì)算時(shí)間和迭代次數(shù)的比較 （a）計(jì)算時(shí)間（b）迭代次數(shù)
此外，與單純基于機(jī)器學(xué)習(xí)的加速方法（即不包含列生成方法技術(shù)）相比，本文提出的基于GNN的列生成方法得益于對(duì)微電網(wǎng)物理模型的有效融合，能夠更好地適應(yīng)不同的微電網(wǎng)運(yùn)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(luò)結(jié)構(gòu)下，本文方法依然能夠顯著減少計(jì)算時(shí)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(fù)雜微電網(wǎng)能量管理問題的求解效率，還為實(shí)時(shí)調(diào)度提供了一種切實(shí)可行且靈活的解決方案。
圖5 本文所提方法與單純基于機(jī)器學(xué)習(xí)的加速方法在收斂過程中計(jì)算時(shí)間和迭代次數(shù)的比較（a）計(jì)算時(shí)間
