面向电网应急运行下最优负荷削减的可扩展学习
机器学习
2022-01-28 v2 系统与控制
系统与控制
摘要
对意外突发事件有效且及时的响应对于提升电网韧性至关重要。鉴于级联传播的快速与复杂过程，由于计算复杂性与通信延迟问题，在大规模网络中难以实现如最优负荷削减（OLS）之类的校正动作。本工作提出了一种创新的 learning-for-OLS 方法，通过离线神经网络（NN）训练，在多种潜在突发事件场景下构建负荷削减的最优决策规则。值得注意的是，所提出的基于 NN 的 OLS 决策完全去中心化，使各负荷中心能够利用易得的本地量测对特定突发事件快速反应。在 IEEE 14-总线系统上的数值研究已证明我们可扩展 OLS 设计对于严重电网紧急事件实时响应的有效性。
引用
@article{arxiv.2111.11980,
title = {Scalable Learning for Optimal Load Shedding Under Power Grid Emergency Operations},
author = {Yuqi Zhou and Jeehyun Park and Hao Zhu},
journal= {arXiv preprint arXiv:2111.11980},
year = {2022}
}