神经网络最优电压调节中强制非负性约束的统一方法

电力系统电压调节对于在分布网格中集成间歇性可再生资源 while maintaining power quality 至关重要。然而，网格边缘的系统模型往往未知，使得难以为 optimal control 建立物理方程模型。因此，之前的工作提出了结构化数据驱动方法，如输入凸神经网络 (ICNN) 用于 "optimal" control without relying on physical model。虽然 ICNN 基于非负神经网络参数的限制性假设提供了理论保证，但通过对负输入进行额外的复制步骤，是否可以提高近似精度呢？我们表明，此类添加的镜像步骤无法提高精度，因为原始输入和复制输入的线性组合等价于 ICNN 输入的线性操作。虽然这种设计无法提高性能，但我们提出了一种将非负性约束作为神经网络正则化优化的统一方法，与现有方法不同，后者是在参数取负后进行松散集成的第二个步骤。我们的集成直接将反向传播与同时最小化近似误差和强制凸性约束相结合。数值实验验证了镜像方法的问题，表明 our integrated objective 能够避免 other methods for optimal control 中存在的稳定训练和 non-convergence 等问题。