数据驱动的功率流线性化理论
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
为了应对气候变化,需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面,可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量,发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外,应用所提出的方法,还能准确识别出电力网的易受攻击的节点。最后,发现在小型电力网上训练的GNN在对得克萨斯电力网的大型模型进行预测时,也具有准确性和实用性。
Jun, 2022
本文提出一种解释性机器学习方法,利用基于Koopman算子的数据驱动方法识别负载动态,将其分解为相干的时空模式,并根据其单一频率独立演化,特别是那些具有同步动态的电站。结果表明,这种基于Koopman算子的方法在精度和计算效率方面优于深度学习方法(LSTM)。
Apr, 2023
本文探讨了忽视电网特有的空间时间特征在模型设计和训练中所带来的泛化风险,提供了电网的各种行为模式及其观察结果作为参考,并对现有的机器学习方法进行了评估。
Apr, 2023
通过数据驱动方法,本研究提出了一种高效的电网潮流学习方法,用于处理带有网络事故的电网系统,并估算相应的概率电压包络。该方法利用网络感知高斯过程预测电压功率函数,提出了一种多任务顶点度核方法,将学习到的核函数推广到未知的电网系统,同时降低了计算复杂度和超参数需求。通过在IEEE 30-Bus电网上进行的模拟实验,证明了该方法在N-1和N-2事故情景下保留和传递潮流知识的能力。对于低训练数据量(50-250个样本)的N-1事故网络结构,与VDK-GP相比,多任务顶点度核方法的平均预测误差减少了50%以上。此外,即使没有历史N-2事故数据,多任务顶点度核方法在超过75%的N-2事故网络结构中也优于基于超参数的迁移学习方法。该方法相比基于蒙特卡洛采样的方法,仅需十六分之一的潮流解决方案即可实现概率电压包络。
Oct, 2023
利用LOOP-LC 2.0框架解决电力调度问题的学习方法确保解决方案的可行性和最优性,同时提高搜索速度,并与现有方法进行比较,表明其在训练速度、计算时间、最优性和解决方案可行性方面具有显著优势。
Nov, 2023
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
通过生成一个足够大的训练数据集,我们提出了一种新颖且高效的方案,该数据集覆盖了相关的供应和需求值。我们的方法通过生成来自于发电机和消费者质量流的代理分布的训练样本,避免了解热网方程所需的迭代过程,并可以对准确性稍有不同的训练样本进行加权以代表原始训练分布。通过对典型网格结构的模拟,我们展示了这种新方法相比直接抽样供需值可以将训练集生成时间减少两个数量级,同时不会对训练样本的相关性产生损失。此外,使用训练数据集学习热功率流明显优于无样本、具有物理意识的训练方法。
Mar, 2024
介绍了一种新颖的基于流的生成模型FCPFlow,可用于产生条件和无条件的住宅负荷曲线(RLP)和概率负荷预测。该模型通过引入可逆线性层和可逆正则化层来展现出在连续条件下适用、在不同数据集上可扩展性强以及相对于深度生成模型更好地捕捉RLP的复杂相关性等三个主要优点。
May, 2024
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。
Jun, 2024