通过拉格朗日方法学习求解交流最优潮流
系统与控制
2021-10-06 v1 机器学习
系统与控制
摘要
使用深度神经网络预测交流最优潮流（ACOPF）问题的解一直是活跃的研究方向。然而，由于 ACOPF 是非凸的，难以构建包含大多全局最优解的良好数据集。为克服训练数据可能含有次优解的挑战，我们提出一种基于拉格朗日的方法。首先，我们用神经网络学习 ACOPF 问题的对偶变量。然后我们用第二个神经网络由预测的对偶变量预测部分拉格朗日函数的解。由于部分拉格朗日函数具有好得多的优化地形，我们将神经网络预测的解作为 ACOPF 问题的热启动。使用标准及改进的 IEEE 22-总线、39-总线和 118-总线网络，我们表明即便训练数据大多由次优解组成，我们的方法也能获得全局最优代价。
引用
@article{arxiv.2110.01653,
title = {Learning to Solve the AC Optimal Power Flow via a Lagrangian Approach},
author = {Ling Zhang and Baosen Zhang},
journal= {arXiv preprint arXiv:2110.01653},
year = {2021}
}