基于高斯过程的数据驱动随机交流最优潮流
机器学习
2022-07-28 v1 机器学习
系统与控制
系统与控制
摘要
近年来，发电占美国温室气体排放的逾四分之一。将大量可再生能源接入电网可能是减少电网碳排放和减缓气候变化最易行的途径。遗憾的是，最易获取的可再生能源（如风能与太阳能）波动剧烈，给电网运行带来大量不确定性，并对现有优化与控制策略提出挑战。机会约束交流(AC)最优潮流(OPF)框架寻求最小成本发电调度，使电网运行以规定概率维持在安全限值内。不幸的是，AC-OPF问题的机会约束扩展是非凸、计算困难的，且需已知系统参数并对可再生分布行为作额外假设。已知的上述问题的线性与凸近似虽可解，但对运行实践过于保守且未考虑系统参数中的不确定性。本文提出一种基于高斯过程(GP)回归的替代数据驱动方法以弥补此差距。GP方法学习到AC潮流方程的一个简单但非凸的数据驱动近似，可纳入不确定性输入。随后通过考虑输入与参数不确定性，将其用于高效求解CC-OPF。所提方法利用不同GP不确定性传播近似的实用性在众多IEEE测试用例上得到展示。
引用
@article{arxiv.2207.10781,
title = {Data-Driven Stochastic AC-OPF using Gaussian Processes},
author = {Mile Mitrovic and Aleksandr Lukashevich and Petr Vorobev and Vladimir Terzija and Semen Budenny and Yury Maximov and Deepjyoti Deka},
journal= {arXiv preprint arXiv:2207.10781},
year = {2022}
}
备注
29 pages, 5 figures