结合深度学习与优化求解安全约束最优潮流
最优化与控制
2020-07-15 v1 机器学习
摘要
安全约束最优潮流（SCOPF）是电力系统中的基础问题，它将同步发电机的自动一次响应（APR）与短期调度相连接。每天，针对各种输入反复求解 SCOPF 问题，以在一组故障情形下确定鲁棒调度。遗憾的是，在 SCOPF 问题中对 APR 的建模导致了复杂的大规模混合整数规划，难以求解。为应对这一挑战，本文利用丰富的历史数据，提出一种结合深度学习与鲁棒优化技术的新方法。与近期以缓解精确求解器计算负担为目标的机器学习应用不同，所提方法直接预测可实施的 SCOPF 解。可行性通过两步强制保证。首先，在训练期间，拉格朗日对偶方法对物理与运行约束的违反进行惩罚，并通过列与约束生成算法（CCGA）按需迭代加入机器学习模型。其次，另一个不同的 CCGA 通过寻找距预测最近的可行解来恢复可行性。在大型测试用例上的实验表明，该方法在获得可行解方面实现了显著的时间缩减，最优性间隙低于 0.1%。
引用
@article{arxiv.2007.07002,
title = {Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow},
author = {Alexandre Velloso and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2007.07002},
year = {2020}
}