用卷积神经网络热启动交流潮流计算
系统与控制
2020-04-21 v1 机器学习
系统与控制
信号处理
摘要
为基于 Newton-Raphson（NR）的交流潮流（ACPF）问题获取良好的初始条件可能是一项非常困难的任务。本文提出一种框架，利用直流潮流（DCPF）结果和一维卷积神经网络（1D CNNs）获取初始母线电压幅值与相角值，以减少基于 NR 的 ACPF 模型的求解迭代次数与时间。我们通过从负荷需求分布中采样，并对每个样本计算 DCPF 与 ACPF 结果，生成用于训练 1D CNNs 的数据集。在 IEEE 118-母线与 \textsc{Pegase} 2869-母线测试系统上的实验表明，我们分别实现了 33.56% 与 30.06% 的求解时间缩减，以及每案例 66.47% 与 49.52% 的求解迭代次数缩减。我们给出了所采用的 1D CNN 架构与超参数，可供该主题的未来研究扩展。
引用
@article{arxiv.2004.09342,
title = {Hot-Starting the Ac Power Flow with Convolutional Neural Networks},
author = {Liangjie Chen and Joseph Euzebe Tate},
journal= {arXiv preprint arXiv:2004.09342},
year = {2020}
}