面向大规模预防性安全约束直流最优潮流的自监督学习

安全约束最优潮流（SCOPF）在电网稳定性中起着关键作用，但随着系统规模扩大变得日益复杂。本文提出 PDL-SCOPF，一种自监督端到端原始对偶学习框架，可在毫秒内为大规模 SCOPF 问题生成近最优解。事实上，PDL-SCOPF 弥补了依赖带有最优解的训练样本的监督方法的局限，对于大规模 SCOPF 问题后者变得不切实际。PDL-SCOPF 模拟增广拉格朗日方法（ALM）来训练原始网络和对偶网络，分别学习无约束优化的原始解和拉格朗日乘子。此外，PDL-SCOPF 引入修复层以确保标称情形下功率平衡的 feasibility，以及二分搜索层以利用自动一次响应（APR）计算故障情形下的发电机调度。所得可微程序可使用 SCOPF 的目标函数和故障情形的功率平衡约束进行端到端训练。实验结果表明，PDL-SCOPF 能提供准确可行的解且最优性间隙极小。PDL-SCOPF 的底层框架旨在弥合传统优化方法与机器学习之间的差距，凸显了自监督端到端原始对偶学习在大规模优化任务中的潜力。