用于分布式最优潮流的学习加速ADMM
最优化与控制
2020-09-16 v2 机器学习
系统与控制
系统与控制
摘要
我们提出一种新颖的数据驱动方法来加速交替方向乘子法(ADMM)在求解分布式直流最优潮流(DC-OPF)中的收敛，其中线路在独立网络分区之间共享。利用给定系统在不同负荷下ADMM轨迹的先前观测，该方法训练循环神经网络(RNN)来预测对偶变量和一致性变量的收敛值。给定系统负荷的新实现，取少量初始ADMM迭代作为输入来推断收敛值并直接注入到迭代中。我们经验性地证明，对于这些值的在线注入到ADMM迭代中，在14、118和2848总线分区测试系统在不同负荷场景下显著加速收敛。所提方法具有若干优势：它保持了共识ADMM固有的私有决策变量的安全性；推断快速，因此可用于在线设置；RNN生成的预测可大幅改善收敛时间，但按构造永远不会导致不可行的ADMM子问题；它可轻松集成到现有软件实现中。虽然本文聚焦于分布式DC-OPF的ADMM公式，所提思想可自然扩展到其他分布式优化问题。
引用
@article{arxiv.1911.03019,
title = {Learning-Accelerated ADMM for Distributed Optimal Power Flow},
author = {David Biagioni and Peter Graf and Xiangyu Zhang and Ahmed Zamzam and Kyri Baker and Jennifer King},
journal= {arXiv preprint arXiv:1911.03019},
year = {2020}
}