通过丰富神经网络训练数据集来提高最坏情况下的性能保证
本文提出一种基于混合整数线性规划的框架,首次在电力系统应用中验证神经网络行为,能够确定神经网络分类为安全或不安全的输入范围,并且能够系统地识别对抗性示例,从而提高神经网络在电力系统中的鲁棒性和可靠性。
Oct, 2019
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
本论文研究了使用图神经网络方法对历史电力系统数据进行训练,以预测电量流计算结果。通过在测试系统上的结果表明,使用所提出的图神经网络电量流模型可以比传统的直流(DC)功量流方法和深度神经网络(DNN)模型以及卷积神经网络(CNN)模型得到更准确有效的数据处理方案。
Jul, 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
使用增强分层图神经网络(AHGNN)作为机器学习模型来预测关键的拥挤电线并创建N-1简化最优功率流,从而显著减少计算时间并保持解决方案质量,论证了AHGNN和相关N-1简化最优功率流在减少计算时间、保留解决方案质量方面的高效性,并突出了机器学习,尤其是图神经网络在增强电力系统运行中的潜力。
Feb, 2024
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
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
该研究探讨了图神经网络在没有明确的高分辨率信息(发电机状态、电网拓扑和电力调度决策)的情况下,能否识别未来几个小时内电网的风险状况。研究发现,基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。
May, 2024
本研究解决了电力系统在网格故障时对 $N-k$ 应急情况的可行性检查问题。通过引入输入凸神经网络(ICNNs),我们提出了一种新颖的方法来确保零假阴性率,从而增强了应急筛查的可靠性和效率。实验证明,该方法在IEEE 39节点测试网络中实现了10至20倍的速度提升,同时保持了出色的分类准确率。
Oct, 2024