用于学习可行且自适应交流最优潮流解的拓扑感知图神经网络
系统与控制
2022-11-03 v2 机器学习
系统与控制
信号处理
最优化与控制
摘要
求解最优潮流（OPF）问题是实时电网运行中保障系统效率与可靠性的基本任务。我们提出了一种新颖的拓扑信息图神经网络（GNN）方法，用于预测实时交流最优潮流（ac-OPF）问题的最优解。为将电网拓扑融入神经网络模型，所提出的 GNN-for-OPF 框架创新性地利用了节点边际电价与电压幅值的局部性。此外，我们为通用 OPF 学习开发了物理感知的（交流）潮流可行性正则化方法。我们所提设计的优势包括降低模型复杂度、改善泛化性与可行性保证。通过对电网拓扑偶发下图形子空间稳定性的解析理解，我们表明所提 GNN 可通过高效的重训练策略快速适应变化的电网拓扑。在不同规模多个测试系统上的数值测试验证了我们所提基于 GNN 的学习框架的预测精度、改善的潮流可行性及拓扑自适应能力。
引用
@article{arxiv.2205.10129,
title = {Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions},
author = {Shaohui Liu and Chengyang Wu and Hao Zhu},
journal= {arXiv preprint arXiv:2205.10129},
year = {2022}
}