基于自编码器降维的电力系统规划典型时段选取
机器学习
2022-04-29 v1
摘要
用于研究未来低碳电网情景的电力部门容量扩展模型（CEMs）必须包含电网运行的详细表示。CEMs 通常被构建为对从原始输入数据中用聚类算法采样得到的典型时段建模电网运行。然而，此类典型时段选取（RPS）方法受限于聚类算法随输入数据维数增加而下降的有效性，且未考虑输入数据变化对 CEM 结果的相对重要性。在此，我们提出一种 RPS 方法，通过在聚类前引入借助基于神经网络的自编码器实现的降维来解决这些局限。这种降维不仅提升了聚类算法的性能，也便于使用额外特征，例如由输入数据中各不相交时段（如 1 周）的 CEM 简化版并行求解所得的估计输出。将降维作为 RPS 方法一部分的影响，通过相应降维空间 CEM 与全空间 CEM 在结果上的误差来量化。跨多种网络及技术与政策情景的广泛数值实验确立了基于降维的 RPS 方法的优越性。
引用
@article{arxiv.2204.13608,
title = {Representative period selection for power system planning using autoencoder-based dimensionality reduction},
author = {Marc Barbar and Dharik S. Mallapragada},
journal= {arXiv preprint arXiv:2204.13608},
year = {2022}
}