点对点电力市场清算改用学习加速:图神经网络修正项不增加通信,收敛仍由原算法保证
核心概要
点对点电力市场的清算通常靠分布式迭代求广义纳什均衡,迭代次数和通信轮数随参与者增多而成为部署障碍。KTH 团队把历史清算数据用于训练一个图神经网络修正项,叠加在分布式 Douglas–Rachford 基线上,修正项按几何速度衰减,因此收敛性由基线继承。在合成市场上,这一修正减少了清算所需迭代次数及其波动,并在运行条件偏移到训练所见四倍时仍保持加速。
深度剖析
点对点电力市场的清算可以在不增加通信轮数的前提下被历史数据加速,加速来自叠加在分布式均衡求解迭代上的学习修正项。 此前的分布式清算算法只保证渐近收敛到市场均衡,收敛所需的大量迭代和交易网络上的信息交换被视为实际部署的主要障碍。 在合成市场上,修正项相对基线 Douglas–Rachford 迭代减少了清算所需迭代次数,并降低了不同实例之间的迭代次数离散程度。
修正项由每个产消者用本地信息和邻居已交换的消息计算,因此不引入额外通信。 直接让神经网络替代算法更新会破坏收敛保证,而集中式结构又需要收集全局信息。 消息传递图神经网络在节点和边上共享参数,节点特征与边特征维度不随市场规模和节点度数变化,同一套参数可用于不同规模和拓扑的市场。
收敛性不依赖训练结果,任何训练参数下迭代都收敛到变分广义纳什均衡。 学习型更新通常需要保护机制在经典更新与学习更新之间切换,而这往往要求全局协调。 有界输出配合几何衰减使修正项可求和,迭代因此可视为不精确不动点格式,收敛性由名义 Douglas–Rachford 迭代继承。
启示与展望
演示范围是依据 Le Cadre 等人 2020 年市场模型生成的合成实例,覆盖从最稀疏到完全图的若干交易图密度,训练与测试均未使用真实市场记录。
运行条件偏移到训练所见四倍时加速仍显著但逐步减弱;增加或移除一个产消者的结构性变化下,中位迭代缩减在每种密度上保持非负,但在较密网络上少数实例反而变慢。
