DeepOPF：一种用于安全约束直流最优潮流的深度神经网络方法
系统与控制
2020-09-24 v3 机器学习
系统与控制
摘要
我们提出 DeepOPF 作为一种深度神经网络（DNN）方法，用于求解安全约束直流最优潮流（SC-DCOPF）问题，这类问题对可靠且经济的电力系统运行至关重要。DeepOPF 的灵感来源于如下观察：对于给定的电力网络，求解 SC-DCOPF 问题等价于刻画从负荷输入到发电与相角输出的高维映射。我们首先训练一个 DNN 来学习该映射并从负荷输入预测发电出力。然后利用潮流方程由发电出力和负荷直接重构相角。这种“预测—重构”方法降低了待学习映射的维度，进而缩减了 DNN 的规模及所需训练数据量。我们进一步推导了依据负荷—发电映射所需逼近精度来调节 DNN 规模的条件。我们基于 -投影开发了后处理过程以保证所得解的可行性，该方法本身亦具独立意义。IEEE 测试算例的仿真结果表明，与最先进求解器相比，DeepOPF 以低于 0.2% 的最优性损失生成可行解，同时将计算时间加快达两个数量级。
引用
@article{arxiv.1910.14448,
title = {DeepOPF: A Deep Neural Network Approach for Security-Constrained DC Optimal Power Flow},
author = {Xiang Pan and Tianyu Zhao and Minghua Chen and Shengyu Zhang},
journal= {arXiv preprint arXiv:1910.14448},
year = {2020}
}
备注
14 pages, 6 figures, accepted for publication in IEEE Transactions on Power Systems. (Conference version in IEEE SmartGridComm 2019.) arXiv admin note: text overlap with arXiv:1905.04479