基于集成学习的线性潮流

本文提出了一种基于集成学习的潮流线性化方法，其不同于基于网络参数的直流（DC）潮流或其他线性化扩展版本。作为一种通过数据挖掘得到的新颖数据驱动线性化方法，它首先应用多项式回归（PR）作为基学习器，以捕获直角坐标下作为自变量的母线电压与作为因变量的有功或无功功率之间的线性关系。随后，引入梯度提升（GB）与装袋（bagging）作为集成学习方法来组合所有基学习器以提升模型性能。所拟合的线性潮流模型亦被松弛以计算最优潮流（OPF）。标准 IEEE 算例的仿真结果表明：(1) 集成学习方法优于 PR，且 GB 比 bagging 表现更好；(2) 在求解 OPF 方面，该数据驱动模型在计算精度上优于 DC 模型与 SDP 松弛，且比 ACOPF 与 SDPOPF 更快。