利用机器学习初始化求解 ACOPF 的逐次线性规划求解器
系统与控制
2021-07-16 v1 机器学习
系统与控制
最优化与控制
摘要
逐次线性规划（SLP）方法是求解大规模非线性优化问题的优选方法之一。求解交流最优潮流（ACOPF）问题也不例外，特别是考虑到全国范围内的大型真实输电网络。然而，提高 SLP 算法的计算性能至关重要。实现这一目标的一种途径是通过近最优解对算法进行有效初始化。本文考察了 Scikit-Learn 库中可用的各种机器学习（ML）算法来初始化 SLP-ACOPF 求解器，包括线性与非线性 ML 算法。我们评估了这些机器学习算法在预测潮流解所需变量方面的质量。该解随后被用作 SLP-ACOPF 算法的初始化。该方法在拥塞和非拥塞的 3 总线系统上进行了测试。将本工作中表现最佳的 ML 算法所得结果与用于初始化 SLP-ACOPF 求解器的 DCOPF 解结果进行了比较。
引用
@article{arxiv.2007.09210,
title = {Initializing Successive Linear Programming Solver for ACOPF using Machine Learning},
author = {Sayed Abdullah Sadat and Mostafa Sahraei-Ardakani},
journal= {arXiv preprint arXiv:2007.09210},
year = {2021}
}
备注
6 pages, 16 figures, submitted to the 2020 IEEE North American Power Symposium (NAPS)