Ge Chen · Hongcai Zhang · Yonghua Song · IEEE Transactions on Sustainable Energy · 2024年11月

可再生能源与负荷的波动性给配电网中分布式能源（DERs）的调度带来显著挑战，常引发不确定性导致潮流约束越限。鲁棒优化（RO）虽能有效管理此类运行风险，但非凸的交流潮流约束使其难以通过强对偶理论构建确定性等价问题。为此，本文提出对抗性约束学习方法，以生成线性代理模型用于鲁棒调度。该方法首先设计基于梯度的对抗攻击机制，识别最恶劣情况下的约束越限；预先训练“教师”模型以加速攻击过程中的梯度计算，并指导两个“学生”模型学习从候选调度决策及额定运行条件预测最恶劣越限。学生模型被重构为等效的混合整数线性规划...

解读: 该对抗性约束学习技术对阳光电源PowerTitan储能系统和ST系列储能变流器的鲁棒调度具有重要应用价值。文章提出的梯度对抗攻击机制可识别最恶劣运行场景，结合MILP代理模型实现快速在线优化，可直接应用于iSolarCloud云平台的智能调度模块，提升多储能站点协同调度的鲁棒性。该方法解决了非凸交流...