Dec, 2021

大规模安全受限经济调度学习优化代理

PDF
TL;DR本文提出了一种基于机器学习的优化代理方法，可以在毫秒内预测 Transmission System Operators 的 Security-Constrained Economic Dispatch 的最优解，并适用于具有可再生能源的时实电网运营。
security-constrained economic dispatchtransmission system operatorsmachine learningreal-time operationsoptimization proxy
发现论文，激发创造
  • 物理知识引入的卷积神经网络用于微网经济调度

    利用卷积神经网络和深度学习技术，提出了一种基于数据驱动的方法来加速微网的实时经济调度，同时保持数值优化技术的准确性。

    Apr, 2024

  • 大规模经济调度的端到端可行优化代理

    本文提出了一种新的 End-to-End Learning and Repair（E2ELR）架构，用于训练经济调度问题的优化代理。E2ELR 将深度神经网络与闭式、可微分的修复层结合起来，以端到端的方式集成了学习和可行性。同时，E2ELR 还使用自监督学习进行训练，无需标记的数据和离线解决众多优化问题。在评估时，E2ELR 使用经济调度来优化能量和储备，针对拥有数万个母线的工业规模电力网进行评估。结果表明，自监督的 E2ELR 实现了最先进的性能，在优化差距方面优于其他基线至少一个数量级。

    Apr, 2023

  • 虚拟电力厂下基于不确定性的实时能量调度的随机在线预测优化框架

    提出了一个实时的、具有不确定性感知的能源调度框架，由深度学习预测和随机优化等关键要素组成，旨在解决分布式能源资源聚合对电力系统带来的不确定性问题，实现最优和鲁棒的调度解决方案，并在智能建筑能源管理领域进行了全面实验证明。

    Sep, 2023

  • 基于机器学习的电力系统事态下可扩展和最优负荷摘牌

    通过离线训练神经网络模型，我们提出了一种分散设计，用于在发生意外情况时自动构建最优负荷放电解决方案，以提高电力系统的韧性和应急响应能力。在 IEEE 118 节点系统和合成的德克萨斯 2000 节点系统上的数值研究表明，我们的可扩展负荷放电解决方案设计在及时进行电力系统应急操作方面具有高效和有效性。

    May, 2024

  • 时空深度学习辅助降低安全约束单位组合问题

    该研究使用高级机器学习模型通过考虑基于图神经网络 (GNN) 的空间相关性和基于长短期记忆 (LSTM) 网络的时间序列研究模式，来挖掘电力系统历史数据中的地理和时间相关性，以有效预测发电机等级计划，应用于 SCUC 模型简化，提高计算效率而不影响解决方案的质量

    Jun, 2023

  • 具有部分测量可用性的完全疗愈缩短的端到端强化学习

    本文提出了一种利用深度强化学习解决分布式电网拥塞问题的新型端到端方法，该方法可以在低电压网格中进行决策，确保拥塞 - free 的电网运行。

    May, 2024

  • 学习辅助的随机容量扩展规划：一种贝叶斯优化方法

    提出了一种学习辅助的近似解决方法来解决容量扩展问题，特别关注于考虑不确定性的随机优化模型，应用于可再生能源的供应和需求规划，以达到更加经济高效的解决方案。

    Jan, 2024

  • 大规模网络中的基于专家知识和机器学习的数据驱动能效建模

    通过使用模拟通信网络 (SRCON) 框架，利用机器学习和专家模型，该研究详细介绍了一种基于真实网络数据的能效模拟方法，用于预测网络能效和用户设备服务质量，从而优化移动网络的能源消耗。

    Dec, 2023

  • 大规模预防性安全约束的自监督学习直流最优潮流

    PDL-SCOPF 是一种自我监督的端到端原始 - 对偶学习框架，用于以毫秒级生成大规模 SCOPF 问题的接近最优解。该框架旨在通过结合传统优化方法和机器学习，缩小大规模优化任务之间的差距。

    Nov, 2023

  • 增强顺序市场清算通过面向价值的可再生能源预测

    通过价值导向的预测方法，我们提出了一种解决大量可再生能源进入电力市场带来的不确定性的方法，以降低日前和实时总体运行成本。

    May, 2024