面向安全约束最优潮流的对抗鲁棒学习
最优化与控制
2021-11-16 v1 机器学习
系统与控制
系统与控制
摘要
近年来，机器学习（ML）界对对抗鲁棒学习和隐式层的兴趣均出现激增，但这两个领域之间的联系鲜有探索。在这项工作中，我们结合这些领域的创新来解决 N-k 安全约束最优潮流（SCOPF）问题。N-k SCOPF 是电网运行的核心问题，旨在以对潜在 k 个同时设备故障具有鲁棒性的方式安排发电。受对抗鲁棒训练方法的启发，我们将 N-k SCOPF 构建为一个极小极大优化问题——将发电设置视为可调整参数，将设备故障视为（对抗性）攻击——并通过基于梯度的技术求解该问题。该极小极大问题的损失函数涉及求解表示电网物理和运行决策的隐式方程，我们通过隐函数定理对其求导。我们展示了我们的框架在求解 N-3 SCOPF 中的有效性，传统上认为该问题因问题规模随潜在故障数量组合式增长而求解代价过高。
引用
@article{arxiv.2111.06961,
title = {Adversarially Robust Learning for Security-Constrained Optimal Power Flow},
author = {Priya L. Donti and Aayushya Agarwal and Neeraj Vijay Bedmutha and Larry Pileggi and J. Zico Kolter},
journal= {arXiv preprint arXiv:2111.06961},
year = {2021}
}
备注
Accepted at Neural Information Processing Systems (NeurIPS) 2021