Adequacy- and Resilience-Informed Decision-Focused Learning for High-Renewable Power Systems During Weather-Induced Operational Stress Events

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel methodological framework for integrating forecasting and optimization in power systems under uncertainty.

🏢実務担当者:Could inform development of advanced energy management systems for grid operators facing renewable variability.

🏛政策担当者:Highlights need for regulatory frameworks encouraging deployment of resilience-oriented operational tools.

気象誘発性の運用ストレス事象は、需給バランスを変化させ、高再生可能エネルギー電力系統を運用限界に近づけることにより、電力系統運用への課題をますます増大させている。一方、再生可能エネルギー源の不確実性は、ランピングおよび予備力要件をさらに増大させ、これらの事象中の供給力および運用レジリエンスの両方の課題を悪化させている。従来の予測-その後-最適化（PTO）パラダイムでは、予測は予測誤差を最小化するように訓練されるが、予測精度の向上は、複雑な系統レベルおよび構成要素レベルの制約下での運用上の意思決定の改善に必ずしもつながらない。このギャップに対処するため、本研究は、気象誘発性の運用ストレス事象の影響を考慮した意思決定品質の向上を目的として、再生可能エネルギー発電予測と系統最適化を統合する、供給力およびレジリエンスに基づく意思決定重視学習（DFL）フレームワークを提案する。提案するDFLアプローチは、予測モジュールと給電モジュールを統合する代理損失を用いた、勾配ベースのエンドツーエンドの意思決定重視訓練方式を採用する。これにより、給電問題からの意思決定損失フィードバックが予測器に逆伝播されることを可能にする。供給力および運用レジリエンスは、事後的な運用指標を用いて評価され、多変量ガウス分布の下でのリスク認識型確率制約の再定式化を通じてモデル内に組み込まれる。提案するDFLベースのフレームワークは、IEEE 6ノードおよび39ノード系統で検証される。包括的な数値結果は、PTOと比較して、提案フレームワークが気象誘発性の運用ストレス事象下で優れた供給力および運用レジリエンス性能を達成することを実証している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Weather-induced operational stress events are increasingly challenging power system operations by altering the supply-demand balance and pushing high-renewable power systems close to operating limits. Meanwhile, the uncertainty of renewable energy sources further increases ramping and reserve requirements, exacerbating both adequacy and operational resilience challenges during these events. In the conventional predict-then-optimize (PTO) paradigm, forecasts are trained to minimize prediction error, yet improved forecast accuracy does not necessarily lead to better operational decisions under complex system- and component-level constraints. To address this gap, this work proposes an adequacy- and resilience-informed decision-focused learning (DFL) framework that integrates renewable generation forecast with system optimization to improve decision quality considering the impact of weather-induced operational stress events. The proposed DFL approach adopts a gradient-based, end-to-end decision-focused training scheme using a surrogate loss which integrates a forecasting module and a dispatch module. This enables decision-loss feedback from the dispatch problem to be backpropagated to the forecaster. Adequacy and operational resilience are assessed using ex-post operational metrics and incorporated in-model via risk-aware chance-constraint reformulations under a multivariate Gaussian distribution. The proposed DFL-based framework is verified on the IEEE 6-node and 39-node systems. Comprehensive numerical results demonstrate that, compared with PTO, the proposed framework achieves superior adequacy and operational resilience performance under weather-induced operational stress events.

• Research Square https://doi.org/10.22541/authorea.15003119/v1first seen 2026-05-14 21:21:01 · last seen 2026-05-26 04:22:28