基于深度学习的方法应对可再生能源装机容量中的突发不确定性

《Mathematics and Computers in Simulation》：A deep learning approach to renewable capacity installation under jump uncertainty

　　

Nacira Agram|Fred Espen Benth|Giulia Pucci|Jan Rems

摘要

我们研究了一种在需求不确定性及跳跃驱动动态条件下部署可再生能源容量的随机模型。该系统由一个多维奥恩斯坦-乌伦贝克过程控制，该过程受某种调节因子影响，可用于描述可再生能源发电量和电力负荷的突然变化。部署决策通过控制措施来建模，这些措施会根据环境和经济状况增加容量。

我们采用了两种不同的解决方案。首先，我们实施了一种基于结构化阈值的控制规则，当随机容量因子低于特定水平时，容量会按比例增加。这种公式化处理会导出一个非线性偏积分微分方程，我们通过将其转化为带有跳跃项的向后随机微分方程来求解。我们扩展了Huré等人（2020年）提出的DBDP求解器，将其应用于纯跳跃场景，同时使用双神经网络架构来近似价值函数和跳跃敏感性。

其次，为了评估第一种方法的性能，我们提出了一种深度控制算法，该算法通过使用神经网络最小化预期成本函数，直接学习与状态和时间相关的反馈阈值策略。这种方法保留了基于阈值的结构，同时允许阈值根据系统状态的演变而动态调整，从而实现更灵活、响应更迅速的干预措施。

在经过校准的数据上进行的数值实验凸显了这两种方法的优点。虽然基于阈值的BSDE方法具有可解释性和易处理性，但深度控制策略通过灵活的容量分配实现了更好的性能。综上，这些工具为在不确定性环境下长期发展可再生能源提供了有力的决策支持框架。