使用代理变量的智能逆变器控制：一种基于深度神经网络的机会约束方法

在不确定性下大规模协调逆变器是配电网集成可再生能源的迫切需求。除非负荷需求与太阳能发电被频繁遥测，否则在给定近似电网状态或其代理变量的情况下控制逆变器成为一项关键指标。尽管深度神经网络（DNN）能够学习最优逆变器调度，但保证可行性在很大程度上难以实现。本工作不训练 DNN 去模仿已计算的最优潮流（OPF）解，而是将基于 DNN 的逆变器策略集成到 OPF 中。所提出的 DNN 通过两种 OPF 替代方案进行训练，这两种方案分别在平均意义上以及作为机会约束的凸限制来约束电压偏差。训练后的 DNN 可由当前电网状态的部分、含噪或代理描述符驱动。当必须对不可观测馈线求解 OPF 时，这一点十分重要。DNN 权重通过反向传播训练，并在假设网络模型已知的前提下对交流潮流方程求导。否则，提出一种无梯度变体。后者适用于逆变器由仅能访问馈线潮流求解器或数字孪生的聚合商控制的情形。数值测试从最优性与可行性方面将基于 DNN 的逆变器控制方案与最优逆变器设定值进行比较。