用于分布电网DER采纳关键情景选择的贝叶斯优化
机器学习
2026-02-20 v2 应用统计
机器学习
摘要
我们发展了一种新方法，用于选择分布电网最关键的DER采纳情景。预测因额外光伏接入者导致电压和支路流量违例的风险，是电力公司投资规划的核心，但仍依赖于确定性或任选的情景选择。我们提出基于多目标贝叶斯优化的高度高效搜索框架。将底层网格应力指标视为计算成本高昂的黑盒函数，通过高斯过程代理进行近似，并设计基于情景在一组线路和母线基础违例目标上可能为Pareto关键的概率的获取函数。我们的方法提供统计保证，相对于保守的穷举搜索可实现数量级速度提升。200-400节点真实配电网的案例研究表明，我们方法的有效性和准确性。
关键词
引用
@article{arxiv.2501.14118,
title = {Selecting Critical Scenarios of DER Adoption in Distribution Grids Using Bayesian Optimization},
author = {Olivier Mulkin and Miguel Heleno and Mike Ludkovski},
journal= {arXiv preprint arXiv:2501.14118},
year = {2026}
}
备注
12 pages, 4 tables, 12 figures