具有泛化保证的DCOPF凸神经网络求解器
系统与控制
2020-09-22 v1 系统与控制
摘要
直流最优潮流（DCOPF）问题是电力系统运行与规划中的基本问题。随着电力系统中不确定性可再生资源的高比例渗透，DCOPF需针对大量场景反复求解，这在计算上颇具挑战。作为迭代求解器的替代方案，神经网络常被训练并用于求解DCOPF。这些方法可将计算时间降低数个数量级，但无法保证泛化性能，且较小的训练误差并不意味着较小的测试误差。本工作中，我们提出一种求解DCOPF的新型算法，可保证泛化性能。首先，利用DCOPF问题的凸性，我们训练一个输入凸神经网络。其次，我们基于KKT最优性条件构造训练损失。结合这两种技术，训练后的模型具有可证明的泛化性质，即较小的训练误差意味着较小的测试误差。实验中，与端到端模型相比，我们的算法将解的最优性比率提升了五倍。
引用
@article{arxiv.2009.09109,
title = {A Convex Neural Network Solver for DCOPF with Generalization Guarantees},
author = {Ling Zhang and Yize Chen and Baosen Zhang},
journal= {arXiv preprint arXiv:2009.09109},
year = {2020}
}