通信约束下智能逆变器无功控制的深度学习方法
最优化与控制
2020-07-14 v1
摘要
为了在高度依赖通信的最优潮流（OPF）解与欠佳的本地控制之间取得折中，本文主张使用深度神经网络（DNNs）来决定逆变器注入设定值。逆变器DNN并非以黑盒方式拟合OPF解，而是自然地与馈线模型集成，并训练为在不确定电网工况平均意义上满足逆变器与网络约束的前提下最小化全网目标。学习以准平稳方式进行，并表述为一个随机OPF问题，通过作用于电网数据场景的随机原始-对偶更新来处理。尽管整体训练，所提DNN以主从架构运行：其主部分在公用事业端运行，输出经压缩的控制信号广播至所有逆变器；其从部分由逆变器实现，由公用事业信号及本地逆变器读数驱动。这一新颖DNN结构独特地解决了小大数据困境——公用事业收集详细的智能电表读数却仅按小时级，而实时中逆变器应由本地输入与最小公用事业协调驱动以节省通信。数值测试证实了该物理感知的基于DNN的逆变器方案相对于最优控制策略的有效性。
引用
@article{arxiv.2007.05868,
title = {Deep Learning for Reactive Power Control of Smart Inverters under Communication Constraints},
author = {Sarthak Gupta and Vassilis Kekatos and Ming Jin},
journal= {arXiv preprint arXiv:2007.05868},
year = {2020}
}