DeepOPF:用于直流最优潮流的深度神经网络
DeepOPF 是一种基于深度学习神经网络的电力系统优化算法,适用于直流安全约束最优潮流问题 (SC-DCOPF),能够通过学习映射函数预测发电量并重构相位角,并通过后处理过程保证解的可行性,相比最先进的求解器,计算时间快 2 倍以上,同时仅有不到 0.2% 的最优性损失。
Oct, 2019
使用深度神经网络(DeepOPF)方法解决交流最优潮流(AC-OPF)问题可提高计算速度两个数量级,并且可以保持物理和运行约束的一致性,并使用零阶梯度估计技巧在培训过程中维护剩余的不等式约束条件。
Jul, 2020
提出了 DeepOPF-U 模型,利用统一的深度神经网络来解决不同拓扑结构和日益增长的分布式能源资源条件下的交流最优潮流问题,通过弹性输入和输出层,处理不同网络中具有不同长度的负荷和最优潮流解向量。通过对 IEEE 57/118/300 总线测试系统以及从 73 到 118 总线扩展的网络进行仿真验证,证实 DeepOPF-U 模型相较于现有的基于深度神经网络的解决方案具有更好的性能。
Sep, 2023
本文介绍了一种名为 OPF-DNN 的模型,它将深度神经网络和 Lagrangian 对偶相结合,以在满足物理和运行约束条件的同时确保发电机设定点的最小成本,从而在大型电力系统中提供高效准确的交流最优功率流(AC-OPF)近似解决方案。
Jun, 2020
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
本文提出了使用分类算法来学习不确定性实现与最优解的约束集之间的映射,以进一步增强实时预测的计算效率。我们采用神经网络分类器来完成这项任务,并在 IEEE PES PGLib-OPF 基准库中的多个系统上展示了这种方法的优异性能。
Feb, 2019
借助物理启示的机器学习方法,使用模仿学习和历史欧洲天气数据集,直接将电力需求和天气模式与电力调度和发电相互关联,从而实现实时最优功率流解决方案,并验证效果优于现有数据驱动技术,有助于可再生能源时代构建更具韧性的电力系统。
Nov, 2023
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