Neural Network-Assisted Model Predictive Control for Implicit Balancing
作者: Seyed Soroush Karimi Madahi, Kenneth Bruninx, Bert Claessens, Chris Develder
分类: eess.SY, cs.AI
发布日期: 2026-04-02
💡 一句话要点
提出基于神经网络辅助的模型预测控制，用于电力市场隐式平衡
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 隐式平衡 电力市场 输入凸神经网络 数据驱动 平衡价格预测 注意力机制
📋 核心要点
- 现有隐式平衡方法依赖近似模型或无法集成到MPC的机器学习模型，难以兼顾精度和可控性。
- 提出一种基于输入凸神经网络的数据驱动平衡市场模型，该模型可集成到MPC中，同时保证凸性和捕获不确定性。
- 实验结果表明，该模型能够提升MPC决策质量，并降低计算时间，验证了其在实际应用中的有效性。
📝 摘要（中文）
在欧洲，平衡责任方可以通过故意采取不平衡的电力头寸来支持输电系统运营商（TSO）维持电网稳定并获取利润，这种做法称为隐式平衡。模型预测控制（MPC）被广泛采用作为隐式平衡的有效方法。MPC中平衡市场模型的准确性对于决策质量至关重要。以往的研究要么使用凸市场清算近似来模拟这个市场，忽略了TSO的主动人工干预和市场次小时动态，要么使用机器学习方法，但这些方法无法直接集成到MPC中。为了解决这些缺点，我们提出了一种数据驱动的平衡市场模型，该模型使用输入凸神经网络集成到MPC中，以确保凸性的同时捕获不确定性。为了保持核心网络的计算效率，我们结合了基于注意力的输入门控机制来删除不相关的数据。在比利时数据上的评估表明，所提出的模型既改善了MPC决策，又减少了计算时间。
🔬 方法详解
问题定义：论文旨在解决电力市场隐式平衡中，传统模型预测控制（MPC）方法所依赖的平衡市场模型不够准确的问题。现有方法要么采用过于简化的凸近似，忽略了输电系统运营商（TSO）的人工干预和市场动态；要么使用无法直接嵌入MPC的机器学习模型。这些方法都无法在保证模型准确性的同时，满足MPC对模型凸性的要求，从而影响决策质量。
核心思路：论文的核心思路是利用数据驱动的方法，构建一个能够准确预测平衡市场价格的模型，并将其集成到MPC框架中。为了保证模型能够满足MPC对凸性的要求，论文采用输入凸神经网络（Input Convex Neural Network, ICNN）作为平衡市场模型的载体。ICNN的特殊结构保证了其输出关于输入的凸性，从而可以安全地嵌入到MPC的优化问题中。
技术框架：整体框架包括数据预处理、ICNN模型训练和MPC集成三个主要阶段。首先，收集历史电力市场数据，包括平衡价格、需求、发电量等信息，并进行预处理。然后，使用预处理后的数据训练ICNN模型，使其能够准确预测平衡市场价格。最后，将训练好的ICNN模型嵌入到MPC的优化问题中，用于指导平衡责任方的电力交易决策。
关键创新：论文的关键创新在于将输入凸神经网络（ICNN）引入到电力市场平衡价格预测中，并将其与模型预测控制（MPC）相结合。ICNN保证了模型的凸性，使得模型可以安全地嵌入到MPC的优化问题中，同时数据驱动的方法保证了模型的准确性。此外，论文还引入了基于注意力的输入门控机制，用于去除不相关的数据，提高模型的计算效率。
关键设计：ICNN的网络结构是关键。论文采用多层全连接网络，并对权重矩阵施加非负约束，以保证输出关于输入的凸性。损失函数采用均方误差（MSE），用于衡量预测价格与实际价格之间的差异。注意力机制通过学习每个输入特征的重要性权重，动态地调整输入特征的贡献，从而去除不相关的数据。具体参数设置（如网络层数、神经元个数、学习率等）未知，需要在实验中进行调整。
🖼️ 关键图片
📊 实验亮点
在比利时电力市场数据上的实验结果表明，所提出的基于ICNN的MPC方法能够显著提高平衡责任方的盈利能力，并降低计算时间。具体性能数据未知，但论文强调该方法优于传统的基于凸近似的模型和无法集成到MPC的机器学习模型。注意力机制的引入也有效降低了计算复杂度。
🎯 应用场景
该研究成果可应用于电力市场的平衡责任方，帮助其制定更优的电力交易策略，降低不平衡风险，并提高盈利能力。此外，该方法还可以推广到其他能源市场的预测和优化问题中，例如天然气市场、碳排放市场等，具有广泛的应用前景和实际价值。未来，该研究可以进一步探索考虑更多市场因素和约束条件，提高模型的鲁棒性和适应性。
📄 摘要（原文）
In Europe, balance responsible parties can deliberately take out-of-balance positions to support transmission system operators (TSOs) in maintaining grid stability and earn profit, a practice called implicit balancing. Model predictive control (MPC) is widely adopted as an effective approach for implicit balancing. The balancing market model accuracy in MPC is critical to decision quality. Previous studies modeled this market using either (i) a convex market clearing approximation, ignoring proactive manual actions by TSOs and the market sub-quarter-hour dynamics, or (ii) machine learning methods, which cannot be directly integrated into MPC. To address these shortcomings, we propose a data-driven balancing market model integrated into MPC using an input convex neural network to ensure convexity while capturing uncertainties. To keep the core network computationally efficient, we incorporate attention-based input gating mechanisms to remove irrelevant data. Evaluating on Belgian data shows that the proposed model both improves MPC decisions and reduces computational time.