基于DC OPF图神经网络代理模型的电网运行风险量化
系统与控制
2024-04-23 v2 机器学习
系统与控制
摘要
为基于蒙特卡洛（MC）采样的电网运行风险量化，开发了一种DC OPF代理建模框架。MC仿真需要求解大量对应于随机电网变量（电力需求与可再生能源发电）样本的DC OPF问题，这在计算上难以承受。计算代价低廉的OPF代理模型为加速MC仿真提供了有吸引力的替代方案。本文采用了特别适用于图结构数据的DC OPF图神经网络（GNN）代理模型。先前开发的DC OPF代理模型侧重于准确的运行决策，而非风险量化。此处，DC OPF代理评估中风险量化特有的方面是主要关注点。为此，所提GNN代理使用真实联合概率分布进行评估，量化其风险估计精度，并考察其泛化能力。使用四个合成电网（Case118、Case300、Case1354pegase和Case2848rte）进行代理模型性能评估。结果表明，GNN代理在预测（总线级、支路级和系统级）电网状态方面足够准确，并能够实现快速且准确的电网运行风险量化。因此，本文开发了使用基于GNN的代理模型在真实电网中进行快速可靠性与风险量化的工具。
引用
@article{arxiv.2311.03661,
title = {Operational risk quantification of power grids using graph neural network surrogates of the DC OPF},
author = {Yadong Zhang and Pranav M Karve and Sankaran Mahadevan},
journal= {arXiv preprint arXiv:2311.03661},
year = {2024}
}
备注
Manuscript submitted to IEEE Transactions on Power Systems