用于潮流分析的物理引导深度神经网络
机器学习
2021-01-07 v2 信号处理
机器学习
摘要
求解潮流(PF)方程是潮流分析的基础，在确定现有系统的最佳运行、进行安全分析等方面十分重要。然而，由于系统动态与不确定性，PF方程可能过时甚至不可用，使得传统数值方法不可行。为解决这些问题，研究者提出了数据驱动方法，通过从历史系统运行数据中学习映射规则来求解PF问题。然而，先前的的数据驱动方法由于对PF问题过度简化的假设或忽略了支配电力系统的物理定律，性能和泛化能力较差。在本文中，我们提出一种物理引导神经网络来求解PF问题，并以重建PF模型作为辅助任务。通过将基尔霍夫定律的不同粒度与系统拓扑结构编码进重建的PF模型，我们基于神经网络的PF求解器受到辅助任务的正则化并受物理定律约束。仿真结果表明，与现有无约束数据驱动方法相比，我们的物理引导神经网络方法取得了更好的性能与泛化能力。此外，我们通过展示其权重矩阵与母线导纳矩阵的相似性，证明了我们的物理引导神经网络的权重矩阵体现了电力系统物理特性。
引用
@article{arxiv.2002.00097,
title = {Physics-Guided Deep Neural Networks for Power Flow Analysis},
author = {Xinyue Hu and Haoji Hu and Saurabh Verma and Zhi-Li Zhang},
journal= {arXiv preprint arXiv:2002.00097},
year = {2021}
}
备注
9 pages