چکیده The Optimal Power Flow (OPF) problem is pivotal for power system operations, guiding generator output and power distribution to meet demand at minimized costs, while adhering to physical and engineering constraints. The integration of renewable energy sources, like wind and solar, however, poses challenges due to their inherent variability. This variability, driven largely by changing weather conditions, demands frequent recalibrations of power settings, thus necessitating recurrent OPF resolutions. This task is daunting using traditional numerical methods, particularly for extensive power systems. In this work, we present a cutting-edge, physics-informed machine learning methodology, trained using imitation learning and historical European weather datasets. Our approach directly correlates electricity demand and weather patterns with power dispatch and generation, circumventing the iterative requirements of traditional OPF solvers. This offers a more expedient solution apt for real-time applications. Rigorous evaluations on aggregated European power systems validate our method’s superiority over existing data-driven techniques in OPF solving. By presenting a quick, robust, and efficient solution, this research sets a new standard in real-time OPF resolution, paving the way for more resilient power systems in the era of renewable energy.

چکیده به فارسی (ترجمه ماشینی) مشکل بهینه جریان برق (OPF) برای عملکرد سیستم برق ، هدایت خروجی ژنراتور و توزیع انرژی برای تأمین تقاضا با هزینه های به حداقل رساندن ، ضمن رعایت محدودیت های فیزیکی و مهندسی ، مهم است.با این حال ، ادغام منابع انرژی تجدید پذیر مانند باد و خورشیدی به دلیل تنوع ذاتی آنها چالش هایی را ایجاد می کند.این تنوع ، که عمدتاً با تغییر شرایط آب و هوایی هدایت می شود ، نیاز به ارزیابی مجدد مکرر تنظیمات برق دارد ، بنابراین نیاز به قطعنامه های مکرر OPF دارد.این کار با استفاده از روشهای عددی سنتی ، به ویژه برای سیستم های قدرت گسترده ، دلهره آور است.در این کار ، ما یک روش یادگیری ماشین آگاهی از فیزیک را ارائه می دهیم که با استفاده از یادگیری تقلید و مجموعه داده های هواشناسی اروپا آموزش داده می شود.رویکرد ما مستقیماً با تقاضای برق و الگوهای آب و هوا با اعزام و تولید برق ارتباط دارد و نیازهای تکراری حل کننده های سنتی OPF را دور می زند.این یک راه حل مصلحت تر برای برنامه های کاربردی در زمان واقعی ارائه می دهد.ارزیابی های دقیق در مورد سیستم های قدرتمند اروپا ، برتری روش ما را نسبت به تکنیک های موجود در داده های موجود در حل OPF اعتبار می دهد.این تحقیق با ارائه یک راه حل سریع ، قوی و کارآمد ، استاندارد جدیدی را در وضوح OPF در زمان واقعی تعیین می کند و راه را برای سیستم های قدرت انعطاف پذیر تر در دوران انرژی تجدید پذیر هموار می کند.

دسته بندی موضوعات Machine Learning,Systems and Control,یادگیری ماشین ، سیستم ها و کنترل ،

عنوان مقاله به انگلیسی Optimal Power Flow in Highly Renewable Power System Based on Attention Neural Networks

عنوان مقاله به فارسی جریان قدرت بهینه در سیستم قدرت بسیار تجدید پذیر بر اساس شبکه های عصبی توجه

لینک دانلود مقاله دانلود مقاله

نویسندگان Chen Li, Alexander Kies, Kai Zhou, Markus Schlott, Omar El Sayed, Mariia Bilousova, Horst Stoecker

مشاهده بیشتر