联合约束最优潮流的显式集成学习替代方案
最优化与控制
2025-11-06 v1 系统与控制
系统与控制
摘要
可再生能源的日益渗透引入了电力系统的不确定性，挑战了传统的确定性优化方法。约束概率优化提供了一种平衡成本与风险的方法，但将联合约束纳入其中引入了计算挑战。本文提出了一种用于联合约束最优潮流的集成支持向量机替代方案，其中多个线性分类器在模拟的最优潮流数据上进行训练，并通过 Big--M 重构嵌入为可处理的超平面约束。该替代方案产生概率线路潮流限制的多面体近似，保留可解释性和可扩展性。IEEE 118 节点系统上的数值实验表明，所提出的方法以可忽略的平均误差 实现接近最优成本。这些结果表明，集成替代方案作为高效且透明的风险感知电力系统优化工具具有巨大的潜力。
引用
@article{arxiv.2511.03515,
title = {Explicit Ensemble Learning Surrogate for Joint Chance-Constrained Optimal Power Flow},
author = {Amir Bahador Javadi and Amin Kargarian},
journal= {arXiv preprint arXiv:2511.03515},
year = {2025}
}