May, 2024

基于机器学习的电力系统事态下可扩展和最优负荷摘牌

PDF
TL;DR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。
power system resilienceoptimal load sheddingneural network modeldecentralized designemergency operations
发现论文，激发创造
  • 强化学习在电网级联故障缓解中的应用

    文章提出了一种基于强化学习的串联故障缓解策略，并且通过直流电力优化流 (DCOPF) 等控制来修正底层问题。通过物理方程式，设计了一种高层次的强化学习策略，测试了浅层和深层神经网络结构，并在 IEEE 118 巴士系统上的实验表明，该缓解策略在减少系统崩溃方面表现出了很有前途的性能。

    Aug, 2021

  • 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

  • 大规模安全受限经济调度学习优化代理

    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。

    Dec, 2021

  • 面向拓扑的端到端电力系统可靠性评估机器学习

    本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。

    May, 2022

  • 基于物理引导强化学习的停电缓解

    使用物理引导的强化学习框架来识别有效的实时补救前瞻决策序列以避免黑 out，该框架考虑了包括离散值传输线开关决策和连续值发电机调整在内的控制动作空间，并使用关联于电力传输网络的潮流灵敏度因子来指导强化学习探索。

    Jan, 2024

  • 随机网络优化中在线学习的优势

    本文探讨了在未知系统统计数据的情况下，利用在线学习检测随机网络优化中的系统控制技术，证明了两个在线学习辅助控制技术 OLAC 和 OLAC2 的性能保证，并通过模拟结果证明了这些算法在实践中的优越性。

    Apr, 2014

  • 配电网负荷预测的全球建模方法

    该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

    Apr, 2022

  • 网络容量扩展辅以不可靠机器学习预测

    本文介绍了一种名为 Adaptive Balanced Capacity Scaling (ABCS) 的算法，该算法能够通过使用基于机器学习的预测来适应并减小数据中心的能耗和交换成本，同时保持足够的预测精度和竞争比率，相关的实验结果也证明了该算法的有效性。

    Jan, 2021

  • 利用机器学习在电力网络模型中从静态特征预测动态稳定性

    本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

    Oct, 2022

  • 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