Aug, 2019

用于 AC 最优潮流算法基准测试的电网库

PDF
TL;DR该研究提出了一种标准化的交流最优功率流（AC-OPF）数学公式和用于评估 AC-OPF 算法的 PGLib-OPF 网络，其中评估使用的网络、发电和负载数据可能会存在细微的差异，该研究通过提供开源的 PGLib-OPF 基准库和网络数据以期促进科学交流和未来的增加。
发现论文，激发创造
  • 使用图神经网络进行最优潮流计算

    本文提出使用图神经网络在模仿学习框架下，近似求解最优潮流问题 (OPF)，并在 IEEE-30 和 IEEE-118 测试实例上进行了数值实验。

    Oct, 2019

  • OPFData：带有拓扑扰动的交流最优电力流大规模数据集

    交流最佳功率流问题是电网规划和运行的高效且安全的关键。最近关于基于数据驱动的交流最佳功率流问题解决方法的研究表明，与传统解算器相比，其潜在的速度提升巨大。然而，目前尚无大规模开放数据集可供该问题使用。我们提供了迄今最大规模的可用解决交流最佳功率流问题的收集。这一收集比现有的可用数据集大数个数量级，可用于训练高容量的数据驱动模型。独特之处在于它包括拓扑扰动 - 这是在实际电网操作中的一个关键要求。我们希望这一资源将推动社区将研究拓展到具有可变拓扑的更大网格规模。

    Jun, 2024

  • 最优潮流的图模型

    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

  • 大规模最优功率流的高保真机器学习逼近

    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

  • 极速交流最优潮流学习

    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

  • 结合深度学习和 Lagrangian 对偶方法预测交流最优功率流

    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

  • 基于注意力神经网络的高可再生功率系统中的最优功率流

    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

  • 用输入凸神经网络学习最优潮流值函数

    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

  • 智能微电网的分布式最优功率流

    研究采用半定规划技术对非对称微电网进行最佳功率分配，旨在最小化分布式发电机成本和供电线路损失以实现电压调节，并通过分布式求解算法保证可扩展性和数据隐私。

    Nov, 2012

  • Smart-PGSim: 使用神经网络加速 AC-OPF 电网模拟

    本文提出了一种基于神经网络的方法来解决电力网络的最优潮流问题，并通过智能的初始解决方案及其他输出的指导，使得模型产生更快的收敛速度并保持最终解的最优性，计算结果显示在不失最终解最优性的前提下，Smart-PGSim 取得了平均 49.2%（最高可达 91%）的性能提升。

    Aug, 2020