چکیده At the heart of power system operations, alternating current optimal power flow (ACOPF) studies the generation of electric power in the most economical way under network-wide load requirement, and can be formulated as a highly structured non-convex quadratically constrained quadratic program (QCQP). Optimization-based solutions to ACOPF (such as ADMM or interior-point method), as the classic approach, require large amount of computation and cannot meet the need to repeatedly solve the problem as load requirement frequently changes. On the other hand, learning-based methods that directly predict the ACOPF solution given the load input incur little computational cost but often generates infeasible solutions (i.e. violate the constraints of ACOPF). In this work, we combine the best of both worlds — we propose an innovated framework for learning ACOPF, where the input load is mapped to the ACOPF solution through a neural network in a computationally efficient and reliable manner. Key to our innovation is a specific-purpose “activation function” defined implicitly by a QCQP and a novel loss, which enforce constraint satisfaction. We show through numerical simulations that our proposed method achieves superior feasibility rate and generation cost in situations where the existing learning-based approaches fail.

چکیده به فارسی (ترجمه ماشینی) در قلب عملیات سیستم قدرت ، جریان متناوب جریان بهینه جریان (ACOPF) تولید انرژی الکتریکی را به اقتصادی ترین روش تحت نیاز بار در سطح شبکه مطالعه می کند ، و می تواند به عنوان یک برنامه درجه دوم بسیار محدود و غیر سازنده درجه یک تدوین شود (QCQP).راه حل های مبتنی بر بهینه سازی برای ACOPF (مانند ADMM یا روش داخلی نقطه) ، به عنوان رویکرد کلاسیک ، به محاسبات زیادی نیاز دارد و نمی تواند نیاز به حل مکرر مشکل را برآورده کند زیرا نیاز بار به طور مکرر تغییر می کند.از طرف دیگر ، روشهای مبتنی بر یادگیری که مستقیماً با توجه به ورودی بار ، هزینه محاسباتی کمی را پیش بینی می کنند ، اما اغلب راه حل های غیرقابل نفوذ را ایجاد می کنند (یعنی محدودیت های ACOPF را نقض کنید).در این کار ، ما بهترین های هر دو جهان را با هم ترکیب می کنیم – ما یک چارچوب نوآوری برای یادگیری ACOPF پیشنهاد می کنیم ، جایی که بار ورودی از طریق یک شبکه عصبی به صورت محاسباتی کارآمد و قابل اعتماد به راه حل ACOPF نقشه برداری می شود.کلید نوآوری ما یک “عملکرد فعال سازی” با هدف خاص است که به طور ضمنی توسط یک QCQP و یک از دست دادن جدید تعریف شده است ، که رضایت محدودیت را ایجاد می کند.ما از طریق شبیه سازی های عددی نشان می دهیم که روش پیشنهادی ما در شرایطی که رویکردهای مبتنی بر یادگیری موجود شکست می خورند ، به نرخ امکان سنجی برتر و هزینه تولید می رسد.

زبان مقاله انگلیسی

عنوان مقاله به انگلیسی QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints

عنوان مقاله به فارسی QCQP-NET: یادگیری مطمئن راه‌حل‌های جریان متناوب جریان برق بهینه تحت محدودیت‌ها

فرمت مقاله PDF

نویسندگان Sihan Zeng, Youngdae Kim, Yuxuan Ren, Kibaek Kim

مشاهده بیشتر