用于交流最优潮流的紧凑优化学习
机器学习
2023-05-18 v3
摘要
本文重新考虑了针对最优潮流（OPF）的端到端学习方法。现有方法学习 OPF 的输入/输出映射，由于输出空间的高维性而存在可扩展性问题。本文首先表明，使用主成分分析（PCA）可以显著压缩最优解的空间。然后提出了紧凑学习（Compact Learning），一种在的主成分子空间中学习、再将向量转换回原始输出空间的新方法。这种压缩大幅减少了可训练参数的数量，提升了可扩展性与有效性。紧凑学习在来自 PGLib 的多达 30,000 个母线的多种测试案例上进行了评估。本文还表明，紧凑学习的输出可用于热启动（warm-start）一个精确的交流求解器以恢复可行性，同时带来显著加速。
引用
@article{arxiv.2301.08840,
title = {Compact Optimization Learning for AC Optimal Power Flow},
author = {Seonho Park and Wenbo Chen and Terrence W. K. Mak and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2301.08840},
year = {2023}
}
备注
IEEE TPS revision