基于深度神经网络的三相不平衡智能配电网潮流分析
系统与控制
2024-01-17 v1 机器学习
神经与进化计算
系统与控制
摘要
由于可再生能源的高波动性和负荷的随机特性，当前大多数电力系统方法正趋向于随机和概率方法。如前推回代法（FBS）和牛顿-拉夫逊法等传统潮流（PF）方法需要大量迭代来求解非线性潮流方程，导致计算量非常大。潮流是电力公司执行的最重要研究，在电力系统的所有阶段，尤其是运行和规划中都需要。本文探讨了应用深度学习（DL）预测三相不平衡配电网络潮流解的方法。本文提出了三种深度神经网络（DNN）：径向基函数网络（RBFnet）、多层感知器（MLP）和卷积神经网络（CNN），用于预测潮流解。潮流问题被表述为一个多输出回归模型，其中基于输入预测两个或多个输出值。训练和测试数据通过OpenDSS-MATLAB COM接口生成。这些方法完全由数据驱动，训练依赖于减少每个节点的失配量，无需系统知识。所提方法的新颖之处在于，模型能够准确预测具有互耦合的不平衡配电网的潮流解，并且对分布式能源（DER）和电动汽车（EV）集成带来的不同R/X比、拓扑变化以及发电和负荷波动具有鲁棒性。为测试DNN模型的有效性，将其应用于IEEE 4节点和123节点测试案例以及美国电力公司（AEP）馈线模型。本文讨论了RBFnet、MLP和CNN模型的潮流结果，证明所有三种DNN模型在预测潮流解方面均提供了高精度结果。
引用
@article{arxiv.2401.07465,
title = {Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids},
author = {Deepak Tiwari and Mehdi Jabbari Zideh and Veeru Talreja and Vishal Verma and Sarika K. Solanki and Jignesh Solanki},
journal= {arXiv preprint arXiv:2401.07465},
year = {2024}
}