ACOPF 优化代理的主动桶式学习

Aug, 2022

Active Bucketized Learning for ACOPF Optimization Proxies

Michael Klamkin, Mathieu Tanneau, Terrence W.K. Mak, Pascal Van Hentenryck

TL;DR本研究提出了一种基于主动学习的框架 Active Bucketized Sampling (ABS)，它将输入数据分为桶形分布，利用获取函数确定下一步的采样位置，在时间限制内训练最佳的 OPF 代理模型，实验结果表明 ABS 的性能高效。

Abstract

This paper considers optimization proxies for optimal power flow (OPF), i.e., machine-learning models that approximate the input/output relationship of OPF. Recent work has focused on showing that such proxies ca

optimal power flow machine-learning models training active learning market-clearing applications

发现论文，激发创造

基于监督学习的最优功率流实时代理

通过设计和比较不同的监督学习算法来计算 ACOPF 的成本，我们提出了一种快速计算 OPF 成本的方法，能够在多重时间协调框架中预测短期决策结果，从而避免了实际模拟和优化的需要，并且在保证均值误差小于 1% 的情况下，运行时间比精确计算低几个数量级。

Dec, 2016

双锥代理的交流最优电力流

本研究针对交流最优潮流问题进行了基于机器学习的优化代理方法的探索，通过凸松弛和新型双重架构提供有效的对偶上下界，同时结合自监督学习策略，实现了高效和可扩展性的优化。

Oct, 2023

交流最优潮流的机器学习

研究机器学习方法来优化传输网络中的电力发电，给出了 ACOPF 的两种公式以及分别采用的解决方法：直接预测最佳发电机设置和预测最佳解决方案中的现行限制集合，两种方法在两个基准网格上进行了验证。

Oct, 2019

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

QCQP-Net: 可靠地学习交流最优功率流解决方案

ACOPF 学习的创新框架结合了经典的基于优化的方法和基于神经网络的方法，通过特殊的激活函数和损失函数，实现了高效可靠的解决方案，提高了可行性率和发电成本。

Jan, 2024

DC-OPF 学习：使用神经网络分类活动集

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

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

大规模最优潮流问题的可扩展精确验证

该论文介绍了一种可扩展的算法，用于计算神经网络近似大型电力系统的最坏情况违规，并在合理的时间限制内构建对机器学习模型在大型工业规模电力网络中部署的信任。

May, 2024

为交流最优潮流学习初始热启动点

本文探讨了利用已有的 ACOPF 数据来预测未来问题的解决方案的方法，使用数据驱动建模的 Random Forest 算法并采用多目标学习方法预测未来问题的解，从而实现了快速求解 ACOPF 问题的智能预热初始点。

May, 2019

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