基于学习的交流最优潮流求解器在真实电网与真实负荷上的研究
机器学习
2022-05-20 v1 系统与控制
系统与控制
摘要
近年来，针对交流最优潮流（AC-OPF）问题的深度学习方法正处于活跃研究中。该研究领域的一个普遍缺陷是缺乏同时包含真实电网拓扑及相应真实负荷的数据集。为解决此问题，我们构建了一个可直接用于 AC-OPF 建模的数据集 TAS-97，其包含来自塔斯马尼亚电网的真实网络信息与真实母线负荷。我们发现塔斯马尼亚的真实负荷在母线间具有相关性，并呈现出潜在多元正态分布的特征。在构建的数据集上训练并测试了可行性优化的端到端深度神经网络模型。在由拟合的多元正态分布生成的母线负荷样本上训练后，我们的基于学习的 AC-OPF 求解器在真实测试样本上相比 PYPOWER 取得了 0.13% 的成本最优性差距、99.73% 的可行率以及 38.62 倍的加速。
引用
@article{arxiv.2205.09452,
title = {Learning-based AC-OPF Solvers on Realistic Network and Realistic Loads},
author = {Tsun Ho Aaron Cheung and Min Zhou and Minghua Chen},
journal= {arXiv preprint arXiv:2205.09452},
year = {2022}
}
备注
8 pages, 6 figures