CANOS: 一种快速可扩展且对N-1扰动鲁棒的神经AC-OPF求解器
机器学习
2024-03-27 v1
摘要
最优潮流(OPF)涉及一系列相关的优化问题，目标是高效安全地运行电力系统。在最简单的情况下，OPF确定发电量以最小化成本，同时满足电力需求以及物理和运行约束。即使在最简单的情况下，电网运营商也使用AC-OPF问题的近似，因为使用最先进的求解器求解精确问题速度过慢。这些近似牺牲了准确性和运行可行性以换取速度。这种权衡导致了昂贵的"补偿支付"和增加的碳排放，特别是对于大型电网。在本文中，我们训练了一个深度学习系统(CANOS)来预测近最优解（在真实AC-OPF成本的1%以内），同时不牺牲速度（运行时间仅为33-65毫秒）。重要的是，CANOS可扩展到实际的电网规模，在包含多达10000个节点的电网上取得了有希望的实证结果。最后，由于CANOS是一个图神经网络，它对拓扑变化具有鲁棒性。我们展示了CANOS在通常用于安全约束分析的基础电网的N-1拓扑扰动下是准确的。这为更高效地优化更复杂的OPF问题（如机组组合、拓扑优化和安全约束OPF）铺平了道路，这些问题会改变电网连接性。
引用
@article{arxiv.2403.17660,
title = {CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations},
author = {Luis Piloto and Sofia Liguori and Sephora Madjiheurem and Miha Zgubic and Sean Lovett and Hamish Tomlinson and Sophie Elster and Chris Apps and Sims Witherspoon},
journal= {arXiv preprint arXiv:2403.17660},
year = {2024}
}