基于深度分位数回归的含可再生发电联合机会约束最优潮流代理模型
最优化与控制
2022-04-12 v1
摘要
联合机会约束最优潮流（JCC-OPF）是一种管理分布式可再生能源发电不确定性的有前景的工具。然而，大多数现有工作基于潮流方程，这需要准确的网络参数，而在许多配电系统中这些参数可能不可观测。为解决此问题，本文提出一种用于含可再生发电 JCC-OPF 的基于学习的代理模型。该模型将联合机会约束等价转化为基于分位数的形式，并引入深度分位数回归来复现这些约束，其中训练一个多层感知机（MLP）以特殊损失函数预测约束违例的分位数。另训练一个 MLP 预测期望功率损耗。然后，通过将这两个 MLP 重构为混合整数线性约束，可在无需网络参数的情况下建立 JCC-OPF 模型。为进一步提升性能，设计了数据增强与校准两个预处理步骤。前者训练一个模拟器生成更多训练样本以提高 MLP 预测精度；后者设计一个正参数对 MLP 预测进行校准，以保证解的可行性。基于 IEEE 33 节点与 123 节点系统的数值实验验证了所提模型可在无需网络参数的情况下同时实现理想的可行性与最优性。
引用
@article{arxiv.2204.04919,
title = {Deep-quantile-regression-based surrogate model for joint chance-constrained optimal power flow with renewable generation},
author = {Ge Chen and Hongcai Zhang and Hongxun Hui and Yonghua Song},
journal= {arXiv preprint arXiv:2204.04919},
year = {2022}
}
备注
10 pages