QCQP-Net：在约束下可靠地学习可行的交流最优潮流解
最优化与控制
2024-01-17 v1 机器学习
摘要
作为电力系统运行的核心，交流最优潮流（ACOPF）研究在全网负荷需求下以最经济的方式发电，并可被表述为一个高度结构化的非凸二次约束二次规划（QCQP）。基于优化的 ACOPF 求解方法（如 ADMM 或内点法）作为经典方法，需要大量计算，无法满足在负荷需求频繁变化时反复求解的需求。另一方面，直接根据负荷输入预测 ACOPF 解的基于学习的方法计算成本极低，但常常生成不可行解（即违反 ACOPF 的约束）。在这项工作中，我们结合了两者的优点——我们提出了一个创新的 ACOPF 学习框架，其中输入负荷通过神经网络以计算高效且可靠的方式映射到 ACOPF 解。我们创新的关键在于一个由 QCQP 隐式定义的专用“激活函数”和一个新颖的损失函数，它们强制实现了约束满足。我们通过数值模拟表明，在现有基于学习的方法失效的情况下，我们提出的方法实现了优越的可行率和发电成本。
引用
@article{arxiv.2401.06820,
title = {QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints},
author = {Sihan Zeng and Youngdae Kim and Yuxuan Ren and Kibaek Kim},
journal= {arXiv preprint arXiv:2401.06820},
year = {2024}
}