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
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。
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。
已读完全部报道