DeepOPF：一种面向交流最优潮流问题的可行性优化深度神经网络方法

高比例可再生能源发电的接入给电力系统带来了显著的不确定性。这要求电网运营商在输电网和配电网中更频繁地求解交流最优潮流（AC-OPF）问题，以实现经济可靠的运行。本文提出一种称为 DeepOPF 的深度神经网络（DNN）方法，用于以传统求解器所用时间的一小部分来求解 AC-OPF 问题。将机器学习技术应用于求解 AC-OPF 问题的一个关键难点在于确保所得解满足等式与不等式的物理及运行约束。在文献 [1]、[2] 的两阶段流程基础上进行推广，DeepOPF 首先训练一个 DNN 模型来预测一组独立的运行变量，然后通过求解潮流方程直接计算出其余依赖变量。该方法不仅保持了潮流平衡的等式约束，还减少了 DNN 需要预测的变量数量，从而降低了所需神经元和训练样本的数量。DeepOPF 随后在训练过程中采用带零阶梯度估计技术的惩罚方法以保留其余不等式约束。另一贡献是，我们推导了根据期望近似精度调整 DNN 规模的条件，该精度衡量了 DNN 的泛化能力。这为使用 DNN 求解 AC-OPF 问题提供了理论依据。IEEE 30/118/300 总线及一个合成的 2000 总线测试案例的仿真结果表明，与最先进（SOTA）的求解器相比，DeepOPF 将计算时间加快了最多两个数量级，代价是成本差异小于 $<$0.1%。