Jun, 2024

OPFData：带有拓扑扰动的交流最优电力流大规模数据集

PDF
TL;DR交流最佳功率流问题是电网规划和运行的高效且安全的关键。最近关于基于数据驱动的交流最佳功率流问题解决方法的研究表明，与传统解算器相比，其潜在的速度提升巨大。然而，目前尚无大规模开放数据集可供该问题使用。我们提供了迄今最大规模的可用解决交流最佳功率流问题的收集。这一收集比现有的可用数据集大数个数量级，可用于训练高容量的数据驱动模型。独特之处在于它包括拓扑扰动 - 这是在实际电网操作中的一个关键要求。我们希望这一资源将推动社区将研究拓展到具有可变拓扑的更大网格规模。
ac optimal power flow problemdata-driven solution methodsopen datasetssolved ac-opf problemstopological perturbations
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 最优潮流的图模型

    本文提出一种基于树形结构图模型和区间离散化的近似算法，使用约束规划技术和自适应边界传播算法，能够解决优化问题，适用于任意分配网络和混合整数优化问题，可在智能电网应用中使用，实现分布式消息传递方式，具有良好的可伸缩性和实际效用。

    Jun, 2016

  • 结合深度学习和 Lagrangian 对偶方法预测交流最优功率流

    本文介绍了一种应对可再生能源成为电力系统中前后台主要动力源带来的系统随机性对于最优潮流问题的挑战的深度学习方法。利用系统先前状态的信息，并结合 Lagrangian 方法，成功地解决了最优电力流问题并改进了目前广泛采用的线性近似算法的精度。

    Sep, 2019

  • 基于注意力神经网络的高可再生功率系统中的最优功率流

    借助物理启示的机器学习方法，使用模仿学习和历史欧洲天气数据集，直接将电力需求和天气模式与电力调度和发电相互关联，从而实现实时最优功率流解决方案，并验证效果优于现有数据驱动技术，有助于可再生能源时代构建更具韧性的电力系统。

    Nov, 2023

  • 用于 AC 最优潮流算法基准测试的电网库

    该研究提出了一种标准化的交流最优功率流（AC-OPF）数学公式和用于评估 AC-OPF 算法的 PGLib-OPF 网络，其中评估使用的网络、发电和负载数据可能会存在细微的差异，该研究通过提供开源的 PGLib-OPF 基准库和网络数据以期促进科学交流和未来的增加。

    Aug, 2019