面向快速可扩展 AC-OPF 学习的空间网络分解方法
机器学习
2021-01-19 v1 人工智能
系统与控制
系统与控制
摘要
本文提出一种新颖的机器学习方法来预测 AC-OPF 解，其特点在于训练快速且可扩展。其动机来自两个关键考量：(1) 拓扑优化与可再生能源引入的随机性可能导致根本不同的 AC-OPF 实例；(2) 现有机器学习方法预测 AC-OPF 所需的显著训练时间。所提方法是一种两阶段方法，利用将电力网络视为区域集合的空间分解。第一阶段学习预测耦合各区域的母线与线路上的潮流和电压，第二阶段并行训练每个区域的机器学习模型。在法国输电系统（多达 6,700 条母线和 9,000 条线路）上的实验结果展示了该方法的潜力。在较短训练时间内，该方法以极高保真度预测 AC-OPF 解且约束违例微小，相较最先进水平取得显著改进。结果还表明，这些预测可作为潮流优化的初始值，在 AC-OPF 目标的 0.03% 内返回可行解，同时大幅降低运行时间。
引用
@article{arxiv.2101.06768,
title = {Spatial Network Decomposition for Fast and Scalable AC-OPF Learning},
author = {Minas Chatzos and Terrence W. K. Mak and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2101.06768},
year = {2021}
}