利用神经网络凸性优化分布式能源动态运行包络
系统与控制
2026-02-20 v2 系统与控制
摘要
分布式能源（DERs）渗透率的不断提高给配电系统的运行带来了机遇与挑战。为确保网络完整性，电力公司向分布式能源发布动态运行包络（DOEs），作为其随时间变化的输出/输入功率限制。由于潮流方程的非凸特性，DOE 优化面临求解精度与计算效率的两难困境。为弥合这一差距，本文通过利用输入凸神经网络（ICNNs）的凸性来促进 DOE 优化。首先，我们提出了一个全面考虑多种运行约束的 DOE 优化模型。我们提出了一种约束嵌入方法，允许我们用训练好的 ICNN 模型替代非凸潮流约束，并将问题凸化。为进一步加速 DOE 优化，我们提出了基于 ICNN 的 DOE 优化问题的线性松弛，并从理论上证明了其紧致性。数值案例研究验证了所提方法的有效性。结果表明，所提出的基于 ICNN 的方法在优化 DOE 时，无论是在解的质量还是求解时间方面，均优于其他基准方法。
引用
@article{arxiv.2508.13090,
title = {Exploiting Convexity of Neural Networks in Dynamic Operating Envelope Optimization for Distributed Energy Resources},
author = {Hongyi Li and Liming Liu and Yunyi Li and Zhaoyu Wang},
journal= {arXiv preprint arXiv:2508.13090},
year = {2026}
}