最优潮流的凸松弛,第 1 部分:公式和等价性
本教程总结了凸松弛在最优功率流问题中的最新进展,重点是结构特性而非算法。其中第一部分介绍了两个电力流模型,阐述了最优功率流及其在每个模型中的松弛,并证明了它们之间的等价关系。第二部分给出了凸松弛精确的充分条件。
May, 2014
通过将可行集合轻微缩小,针对径向网络,可以在先验可检查的条件下通过二阶锥规划 (SOCP) 松弛恢复 OPF 的全局最优解。针对 IEEE 13、34、37、123 节点总线网络和两个实际网络,该条件成立并具有物理解释。
Nov, 2013
通过机器学习来学习凸近似解,以实现在线设置下较快的分析,并允许与其他凸依赖决策问题的耦合,从而在这些复杂问题中实现小精度换取速度上的巨大收益,以高效地探索广阔的解空间。
Oct, 2023
本文提出一种基于树形结构图模型和区间离散化的近似算法,使用约束规划技术和自适应边界传播算法,能够解决优化问题,适用于任意分配网络和混合整数优化问题,可在智能电网应用中使用,实现分布式消息传递方式,具有良好的可伸缩性和实际效用。
Jun, 2016
本文提出了 PowerModels,这是一个开源平台,旨在比较电力流公式,并使用 Optimal Power Flow 问题的五种不同公式进行了验证和有效性演示。
Nov, 2017
本文介绍了一种应对可再生能源成为电力系统中前后台主要动力源带来的系统随机性对于最优潮流问题的挑战的深度学习方法。利用系统先前状态的信息,并结合 Lagrangian 方法,成功地解决了最优电力流问题并改进了目前广泛采用的线性近似算法的精度。
Sep, 2019
本文介绍了一种基于机器学习方法的在线求解交流优化潮流问题的方案,通过利用历史数据来学习系统负载和最优发电量之间的映射关系,实现在毫秒级别上获得近乎最优的解决方案,避免了解决非凸优化问题带来的计算挑战。
Sep, 2019