物理信息图神经网络用于非线性约束优化：求解交流最优潮流问题的PINCO求解器
系统与控制
2024-10-08 v1 机器学习
系统与控制
摘要
能源转型正在推动大规模间歇性电源并入电网。因此，有效解决交流最优潮流问题变得越来越重要。交流最优潮流是电力系统中的一个基本优化问题，必须更频繁地求解以确保电力系统安全、经济地运行。由于其非线性特性，交流最优潮流通常以其线性化形式求解，尽管存在固有的不准确性。通常采用非线性求解器，如内点法，来求解完整的最优潮流问题。然而，这些迭代方法可能无法收敛于大型系统，并且不能保证全局最优性。本工作探索了一种物理信息图神经网络PINCO来求解交流最优潮流。我们证明，与已建立的非线性规划求解器相比，该方法能在极短的计算时间内提供精确的解。值得注意的是，PINCO在电力系统的各种不同负载条件下都能有效泛化。我们表明，我们的方法可以在不违反不等式约束的情况下求解交流最优潮流。此外，它既可以作为求解器，也可以作为混合通用函数逼近器。而且，该方法可以很容易地适应不同的电力系统，只需对超参数进行最小调整，包括每个母线上有多个发电机的系统。总体而言，本工作展示了电力系统优化领域的一项进步，以应对能源转型的挑战。本文使用的代码和数据可在https://anonymous.4open.science/r/opf_pinn_iclr-B83E/获取。
引用
@article{arxiv.2410.04818,
title = {Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow},
author = {Anna Varbella and Damien Briens and Blazhe Gjorgiev and Giuseppe Alessio D'Inverno and Giovanni Sansavini},
journal= {arXiv preprint arXiv:2410.04818},
year = {2024}
}