基于输入凸神经网络的快速可靠 N-k contingency 筛选
系统与控制
2024-10-02 v1 机器学习
系统与控制
最优化与控制
摘要
电力系统运营商必须确保在发生故障或 contingency 情况下，调度决策仍可行，以防止级联故障并确保可靠运行。然而，检查所有 N-k contingency 的可行性——即任何 k 个网格组件的同时故障——对于即使较小的 k 也计算上不可行，迫使系统运营商诉诸启发式筛选方法。由于不确定性增加和系统行为变化，启发式列表可能不包含所有相关 contingency，导致误将不安全情景误分类为安全，从而产生假阴性。在本文中，我们提出使用输入凸神经网络 (ICNN) 进行 contingency 筛选。我们表明 ICNN 的可靠性可通过求解凸优化问题来确定，并通过将该问题作为可微优化层进行模型权重缩放来训练，我们可以学习一个既数据驱动又在可靠性上具有可证明保证的 ICNN 分类器。即，我们的方法可确保零假阴性率。我们在 IEEE 39 节点测试网络上进行案例研究，观察到该方法在分类准确率方面表现优异，同时实现了显著（10-20 倍）的加速。
引用
@article{arxiv.2410.00796,
title = {Fast and Reliable $N-k$ Contingency Screening with Input-Convex Neural Networks},
author = {Nicolas Christianson and Wenqi Cui and Steven Low and Weiwei Yang and Baosen Zhang},
journal= {arXiv preprint arXiv:2410.00796},
year = {2024}
}
备注
11 pages, 4 figures