用于交流最优潮流的对偶锥代理模型
机器学习
2024-03-27 v2 最优化与控制
摘要
近年来，基于机器学习的交流最优潮流（AC-OPF）优化代理模型开发引起了广泛关注。尽管在预测高质量原始解方面已取得显著进展，现有基于学习的方法均无法为 AC-OPF 提供有效的对偶界。本文通过训练 AC-OPF 凸松弛的优化代理模型来弥补这一空白。具体而言，本文考虑 AC-OPF 的二阶锥（SOC）松弛，并提出一种新颖的架构，其嵌入了快速、可微分的（对偶）可行性恢复，从而提供有效的对偶界。本文将这一新架构与自监督学习方案相结合，减轻了生成昂贵训练数据的需求。在中等及大规模电网上的大量数值实验证明了所提方法的效率与可扩展性。
引用
@article{arxiv.2310.02969,
title = {Dual Conic Proxies for AC Optimal Power Flow},
author = {Guancheng Qiu and Mathieu Tanneau and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2310.02969},
year = {2024}
}
备注
accepted to PSCC 2024