基于深度神经网络的可扩展增量电压/无功控制优化设计
最优化与控制
2023-01-05 v1 机器学习
摘要
电压/无功(Volt/VAR)控制规则促进分布式能源(DER)的自主运行以调节配电网络中的电压。根据非增量控制规则(如 IEEE 标准 1547 所规定),各 DER 的无功功率设定值被计算为本地电压的分段线性曲线。然而,此类曲线的斜率受上限约束以确保稳定性。另一方面,增量规则在设定值更新中引入记忆项,使其具有普遍稳定性,从而可获得改善的稳态电压分布。增量规则的优化规则设计(ORD)可表述为双层规划。我们通过将 ORD 重构为训练深度神经网络(DNN)提出一种可扩展求解方案。该 DNN 模拟了由近端梯度下降(PGD)迭代导出的增量规则 Volt/VAR 动态。解析结论与数值测试证实,所提 ORD 解可顺利适配单/多相馈线。
引用
@article{arxiv.2301.01440,
title = {Scalable Optimal Design of Incremental Volt/VAR Control using Deep Neural Networks},
author = {Sarthak Gupta and Ali Mehrizi-Sani and Spyros Chatzivasileiadis and Vassilis Kekatos},
journal= {arXiv preprint arXiv:2301.01440},
year = {2023}
}