面向配网的基于数据驱动的 Newton-Raphson 功率流计算更高效方法
系统与控制
2025-04-17 v1 人工智能
机器学习
数值分析
系统与控制
数值分析
摘要
功率流 (PF) 计算是电力系统分析的基础，旨在确保稳定可靠的网格运行。Newton-Raphson (NR) 方法因收敛速度快在初始化良好时而被广泛使用。然而，随着电网接近容量限制，病态情况和收敛问题日益突出。这一工作因此提出了策略，以改进 NR 初始化，从而最小化迭代次数并避免发散。我们探索了三种方法：(i) 一种基于电压数学界估算吸引域的解析方法，(ii) 两种数据驱动模型，利用监督学习或物理信息神经网络 (PINN) 预测最优初始猜测，以及 (iii) 一种强化学习 (RL) 方法逐步调整电压以加快收敛。这些方法在基准系统上进行测试。该研究在高渗透率可再生能源和分布式发电所需的现代电力系统中尤为重要。实验表明，所有三种提出的方法都能显著提供 NR 方法的初始猜测，以更少的迭代次数实现收敛。我们的发现为更高效的实时网格运营提供了路径，从而支持向更智能和更具韧性的电力网络转型。
引用
@article{arxiv.2504.11650,
title = {Data driven approach towards more efficient Newton-Raphson power flow calculation for distribution grids},
author = {Shengyuan Yan and Farzad Vazinram and Zeynab Kaseb and Lindsay Spoor and Jochen Stiasny and Betul Mamudi and Amirhossein Heydarian Ardakani and Ugochukwu Orji and Pedro P. Vergara and Yu Xiang and Jerry Guo},
journal= {arXiv preprint arXiv:2504.11650},
year = {2025}
}
备注
7 pages, 9 figures, 3 tables, 14 equations, 1 lemma, and 2 theorems. ICT for Industry 2025 Alliander usecase workshop paper. Oral presentation of this paper accepted and to be given on 16th April 2025 in ICT.OPEN 2025 conference of Netherlands in the Beatrix Theatre in Utrecht