Jan, 2024

三相不平衡智能配电网中的基于深度神经网络的功率流分析

PDF
TL;DR该研究论文讨论了深度学习在预测三相不平衡配电网中功率流解的应用，并提出了三种深度神经网络模型：径向基函数网络（RBFnet），多层感知器（MLP）和卷积神经网络（CNN），用于预测功率流解。通过 OpenDSS-MATLAB COM 接口生成训练和测试数据，这些方法完全依赖于数据驱动，对于不平衡配电网的功率流解具有准确性，并且可以适用于不同的 R/X 比、拓扑变化以及分布式能源和电动汽车引入的发电和负荷可变性。在 IEEE 4 节点测试案例、IEEE 123 节点测试案例和美国电力公司（AEP）馈线模型上应用了这三个 DNN 模型，结果显示所有三个模型都能提供高度准确的功率流解预测结果。
power flowdeep learningunbalanced power distribution gridsmulti-output regression modelpredicting pf solutions
发现论文，激发创造
  • PowerFlowMultiNet：用于非平衡三相配电系统的多图神经网络

    PowerFlowMultiNet 是一种为不平衡三相电力网络明确设计的新型多图神经网络框架，它以多图表示方式模拟每个相位，有效捕捉了不平衡电网中的固有不对称性，并引入了一种利用消息传递进行图嵌入的机制来捕捉电力系统网络内的空间依赖关系。与传统方法和其他深度学习方法相比，PowerFlowMultiNet 在精确度和计算速度方面表现出色，在大型电力网络方面的误差率显著降低，并且计算速度提高了数百倍。

    Mar, 2024

  • 基于图神经网络的潮流模型

    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

  • PowerFlowNet：利用消息传递 GNNs 提高功率流近似

    PowerFlowNet 是一种使用图神经网络的电流流估计方法，在简单的 IEEE 14 总线系统中比传统的 Newton-Raphson 方法更快 4 倍，在法国高压网络中快 145 倍，且在性能和执行时间方面明显优于其他传统估计方法，其在实际电流流分析中表现出巨大潜力，通过深入的实验评估验证了该方法的功效、可扩展性、可解释性和架构可靠性，为电力系统分析中图神经网络的行为和潜在应用提供了深刻见解。

    Nov, 2023

  • DeepOPF: 一种面向 AC 最优潮流问题的可行性优化深度神经网络方法

    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

  • DeepOPF-U: 一个统一的深度神经网络用于解决多网络中的交流最优功率流问题

    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

  • DeepOPF: 基于深度神经网络的安全受限直流最优潮流方法

    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

  • DeepOPF：用于直流最优潮流的深度神经网络

    利用深度神经网络构建 “DeepOPF” 模型，解决直流电力最优潮流问题；通过统一采样和降低数据维度等方式，模型速度较传统方法快两个数量级，并保证解的可行性。

    May, 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

  • 基于深度神经网络的电力系统实时状态估计与预测

    该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法，该方法在 IEEE 118 总线基准系统上的实验表明，相较于现有的 PSSE 求解器，该方法的性能提高了接近一个数量级。

    Nov, 2018

  • 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