一种带可行性保证的高效基于学习的两阶段直流最优潮流求解器
系统与控制
2024-09-17 v2 机器学习
系统与控制
摘要
本文考虑基于场景的两阶段随机直流最优潮流(OPF)问题，用于在负荷面临不确定性时实现最优且可靠的调度。尽管该问题是线性规划，但由于需要大量场景以准确表征不确定性，其求解在计算上仍具挑战性。为缓解计算问题，已提出许多技术来近似第二阶段决策，从而更高效地处理。寻找良好策略以近似第二阶段决策的挑战在于这些解需可行，而现有策略难以实现。为应对这些挑战，本文提出一种学习方法以更高效、最优的方式求解两阶段问题。一种称为规范映射(gauge map)的技术被纳入学习架构设计中，以保证所学解对网络约束的可行性。即，我们可以设计前馈函数形式的策略，仅输出可行解。在标准 IEEE 系统上的仿真结果表明，与迭代求解器及广泛使用的仿射策略相比，我们所提方法不仅学到高质量解，还将计算加速数个数量级。
引用
@article{arxiv.2304.01409,
title = {An Efficient Learning-Based Solver for Two-Stage DC Optimal Power Flow with Feasibility Guarantees},
author = {Ling Zhang and Daniel Tabas and Baosen Zhang},
journal= {arXiv preprint arXiv:2304.01409},
year = {2024}
}