- 大规模最优潮流问题的可扩展精确验证
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。
- 利用空间环境背景进行电力系统防火网的在线功率流规划
通过开发一个基于 Moore 邻域模型的动态模型来捕捉火势蔓延的不确定性,我们提出了一个在线优化建模框架来顺序规划电力网络中的电力流动,以此来应对澳大利亚的森林火灾对电力系统的重大影响。
- CANOS: 快速可扩展的神经网络 AC-OPF 求解器,抗 N-1 扰动
训练一种深度学习系统(CANOS)来预测近似最优解(与真实的 AC-OPF 成本相差不超过 1%),同时不牺牲速度,并在包含多达 10,000 个母线的实际电网规模上获得有希望的实证结果。因为 CANOS 是一个图神经网络,它对拓扑变化具有 - 学习最优潮流:环境设计的重要性
解决最优功率流问题的强化学习在开放式电力系统建模与优化问题领域显示出了巨大的潜力,然而,如何准确地将最优功率流问题构建为一个强化学习环境的问题,该领域的研究存在明显的分歧。本文通过收集和实现关于训练数据、观测空间、回合定义以及奖励函数选择的 - 基于增强分层图神经网络的减少 N-1 优化功率流
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 - 大型电力系统基础模型
探讨大型基础模型如何在电力系统中发挥潜力,通过验证其在电力系统领域的四个代表性任务(包括最优功率流、电动汽车调度、电力工程技术报告的知识检索和情景感知)上的表现,证明基础模型在提升电力系统操作流程的效率和可靠性方面具有强大的能力,并提供了关 - 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。
- 利用图神经网络替代标的电力网运行风险评估
我们研究了图神经网络在电力网络运行决策算法(最优潮流(OPF)和安全约束单位分配(SCUC))中作为代理的实用性,以实现对运行风险的严格量化。我们的结果表明,GNN 能够快速准确地预测量化感兴趣的量,并且因此可以成为 OPF 和 SCUC - 用输入凸神经网络学习最优潮流值函数
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。
- 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 - ACOPF 优化代理的主动桶式学习
本研究提出了一种基于主动学习的框架 Active Bucketized Sampling (ABS),它将输入数据分为桶形分布,利用获取函数确定下一步的采样位置,在时间限制内训练最佳的 OPF 代理模型,实验结果表明 ABS 的性能高效。
- 利用深度强化学习解决发电机故障下的最优电力流问题
应用深度强化学习算法解决最优潮流问题,介绍了两种解决该问题的经典算法,讨论了 Vanilla DRL 应用的缺点,并提出了改进性能的算法,同时提出了 OPF 奖励函数,以解决 DRL 内在问题。
- Smart-PGSim: 使用神经网络加速 AC-OPF 电网模拟
本文提出了一种基于神经网络的方法来解决电力网络的最优潮流问题,并通过智能的初始解决方案及其他输出的指导,使得模型产生更快的收敛速度并保持最终解的最优性,计算结果显示在不失最终解最优性的前提下,Smart-PGSim 取得了平均 49.2%( - 一种基于学习增强的拟牛顿法用于交流潮流最优功率流计算
本文提出了一种基于机器学习的拟牛顿方法,使用深度神经网络进行迭代更新,能够快速找到交流 OPF 近似解,并消除了计算雅各比矩阵或近似雅各比矩阵的必要性。
- 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。
- AAAI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。
- 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。
- 约束优化学习:识别最佳主动约束集
该论文探讨了通过学习相关的活动约束集来直接学习最优解决方案,从而减少实时求解计算上昂贵的大规模参数程序的需要,并提出了一种流式算法来学习相关的活动集。
- 直流最优潮流的统计学习
本文研究了面对日益增加的可再生能源不确定性的情况下,最优潮流问题的控制策略,提出了一种基于组合控制策略的方法来跟踪最优设定点,在很少的基础上使用统计学习方法进行学习来获得高效的控制策略。
- 基于概率约束的交流最优潮流问题:格式重构与高效算法
为了确保安全的系统运行,需要新的工具来处理越来越多的可再生电力带来的不确定性。本文给出了基于概率约束的 AC 优化功率流问题,提出了一个准确而可行的分析改进方法,提供了不同的解决算法,并在基于四种不同 IEEE 系统的案例研究中证明了迭代方