使用高斯过程的数据驱动随机交流最优潮流

本论文侧重于开发一种基于机器学习的数据驱动算法，以解决随机交流（AC）机会约束（CC）最优潮流（OPF）问题。尽管 AC CC-OPF 问题在学术界取得了成功，但其高度非线性且计算要求高，限制了其实际影响。所提出的方法旨在解决这一局限性，并通过在多个 IEEE 测试案例中的应用展示其实证效率。为了解决非凸且计算具有挑战性的 CC AC-OPF 问题，所提出的方法依赖于机器学习高斯过程回归（GPR）模型。完整的高斯过程（GP）方法能够学习对 AC 潮流方程的简单但非凸的数据驱动近似，该近似可以包含不确定的输入。所提出的方法使用了各种 GP 不确定性传播的近似。完整的 GP CC-OPF 方法表现出极具竞争力和前景的结果，优于最先进的基于样本的机会约束方法。为了进一步提高完整 GP CC-OPF 的鲁棒性和复杂度/精度权衡，提出了一种快速数据驱动设置。该设置依赖于稀疏和混合高斯过程（GP）框架，以对具有输入不确定性的潮流方程进行建模。