通过全纯嵌入微分学习求解交流最优潮流
机器学习
2020-12-18 v1 系统与控制
系统与控制
最优化与控制
摘要
交流最优潮流（AC-OPF）是电力系统运行中的基本问题之一。AC-OPF 传统上被表述为一个约束优化问题，在满足一组非线性等式约束——潮流方程——的同时寻求最优发电设定点。随着可再生能源发电渗透率的提高，电网运营商需要在更短间隔内求解更大规模的问题。这激发了利用神经网络学习 OPF 解的研究兴趣，其推理速度快且潜在可扩展至大型网络。求解 AC-OPF 问题的主要困难在于处理具有伪根的该等式约束，即存在满足潮流方程但物理上不可实现的电压赋值。这一性质使得任何依赖投影梯度的方法都变得脆弱，因为这些非物理根可作为吸引子。在本文中，我们展示了通过由将潮流方程嵌入全纯函数的潮流求解器的运算进行微分来规避此问题的有效策略。所得到的学习型方法在 200 总线系统上经实验验证，我们表明训练后所学智能体可可靠且快速地生成优化潮流解。具体而言，我们报告了相较传统求解器速度提升 12 倍、鲁棒性提升 40%。据我们所知，该方法构成了首个成功满足完整非线性 AC-OPF 方程的学习型方法。
引用
@article{arxiv.2012.09622,
title = {Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings},
author = {Henning Lange and Bingqing Chen and Mario Berges and Soummya Kar},
journal= {arXiv preprint arXiv:2012.09622},
year = {2020}
}
备注
10 pages