AC optimal power flow in the presence of renewable sources and uncertain loads
可再生能源的渗透率不断提高,加上负载可能会发生显著变化,这给现代电网的行为带来了高度的不确定性。鉴于经典的调度解决方案是“刚性的”,在这样一个不确定的环境中,他们的表现是在一般远离最佳。为此,在本文中,我们考虑交流最优潮流(AC-OPF)问题存在的不确定性负荷和(不确定)可再生能源发电机。AC-OPF设计的目标是保证可控发电以最小的成本进行调度,同时满足发电和输电的“几乎所有”不确定性实现的约束。我们提出了一种方法,最近开发的随机技术的基础上,命名为“场景与证书”,它允许解决这个问题,而不假设任何先验依赖的电压在网络上的不确定的发电机/负载。所提出的解决方案可以利用通常可用的概率描述的不确定性和可变性,并提供解决方案的先验概率保证的风险,违反了对发电和传输的约束。
2019-05-30 math.OC
Optimal Design of Distributed Energy Systems Considering the Impacts on Electrical Power Networks
分布式能源系统(DES)有可能最大限度地减少昂贵的网络升级,同时增加电网中可再生能源发电的比例。相反,设计不良的DES会加速现有网络基础设施的退化。大多数用于设计并网DES的优化模型都过于简化或排除了与交流(AC)潮流相关的约束,因为后者已经在称为最优潮流(OPF)的独立模型中进行了研究。一个小的子集的模型,标记DES-OPF模型,试图结合这些独立的框架。然而,使用DES-OPF框架对所得到的设计的影响,而不是一个传统的DES框架,没有交流功率流,在以前的工作中没有研究。本研究的目的是阐明这些影响,提出了一个双层次的方法来解决计算昂贵的DES-OPF框架,并同时比较结果的基线MILP模型,利用直流(DC)近似代替AC OPF,在文献中大量发现。两个不同规模的测试用例被用来测试框架并比较结果设计。设计的实际可行性进行了评估,根据设计是否可以减轻网络违规和能源浪费在标准操作。结果表明,基线MILP低估了总成本,由于其无法检测电流和电压违规,导致一个案例研究时,测试与DES-OPF框架增加了37%。还观察到对电池容量的重大影响,主要是为了管理更高水平的可再生能源削减,这强调了在设计并网DES时需要使用DES-OPF框架。
2022-03-08 math.OC
Robust AC Optimal Power Flow
越来越需要新的最优化方法来促进具有间歇性可再生能源的电力系统的可靠和成本有效的操作。本文将鲁棒交流最优潮流(RAC-OPF)问题转化为一个带补偿的两阶段鲁棒最优化问题。这个问题相当于一个非凸的无限维最优化问题,这是计算上棘手的,在一般情况下。假设在输电网络中的每个母线上都有可调的发电量或负荷,通过限制追索策略空间在不确定问题数据中的仿射性,我们开发了一种从有限维半定规划中近似RAC-OPF的技术。我们建立了一个充分条件,在此条件下,半定规划返回一个仿射补偿策略,保证原RAC-OPF问题是可行的。我们说明了所提出的最优化方法的有效性WSCC 9总线和IEEE 14总线测试系统与不同水平的可再生资源的渗透和不确定性。
2018-04-02 math.OC
The Value of Including Unimodality Information in Distributionally Robust Optimal Power Flow
为了管理可再生能源发电和负荷消耗的不确定性,机会约束最优潮流(OPF)公式和各种解决方案的方法已经被提出。然而,传统的解决方案往往依赖于不确定性分布的准确估计,这可能不存在。当分布是未知的,但可以被限制到一组似然分布,称为模糊集,分布鲁棒(DR)优化可以用来确保机会约束在该集合中的所有分布。然而,DR OPF产生保守的解决方案,如果模糊度设置太大。在本文中,我们评估的价值,使用矩和单峰信息,缩小了模糊集,减少保守性,在DR的最优潮流问题。电力系统中大多数实际的不确定性分布是单峰的。精确的重新制定,近似和有效的解决技术在以前的文件。本文提出了一种最优参数选择方法,寻找最优逼近,显着提高计算效率和解决方案的质量。我们评估现有的机会约束的OPF方法使用修改后的IEEE 118总线和300总线系统的可再生能源发电的高渗透率的方法的性能。结果表明,包括单峰信息降低解决方案的保守性和成本,而不会显着降低可靠性。
2019-08-04 math.OC
Chance Constrained Optimal Power Flow: Risk-Aware Network Control under Uncertainty
Columbia University(哥伦比亚大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
针对可再生能源波动导致传统最优潮流(OPF)引发电网不稳定和线路过载风险的问题,提出机会约束最优潮流(CC-OPF),通过概率约束确保高概率满足运行限制并最小化经济再调度成本。
2013-02-04 cs.SY eess.SY math.OC
Stochastic Optimal Power Flow with Network Reconfiguration: Congestion Management and Facilitating Grid Integration of Renewables
如今,电网中的可变可再生能源发电量大幅增长。然而,该行业仍然使用确定性优化来建模和解决实时发电调度的最优潮流(OPF)问题,该问题忽略了与间歇性可再生电力相关的不确定性。由于随机最优潮流能够考虑间歇性可再生能源的概率预测信息,因此有必要研究能够更好地处理不确定性的随机最优潮流(SOPF)。输电网络拥塞是可再生能源限电的主要原因之一。文献中的先前努力表明,利用传输网络重构可以缓解拥塞并解决拥塞引起的问题。本文通过将网络重构纳入调度模型来增强SOPF。数值模拟表明,可再生削减可以避免与建议的网络重构方案,缓解输电阻塞在事故后的情况。研究还表明,网络重构可以大大降低阻塞成本,特别是意外情况下的阻塞成本。
2019-11-29 cs.SY eess.SY math.OC
Distributionally Robust Chance-Constrained Approximate AC-OPF with Wasserstein Metric
机会约束最优潮流(OPF)已被公认为是一个有前途的框架,以管理风险的可变可再生能源(VRE)。在VRE不确定性存在的情况下,本文讨论了一种分布鲁棒机会约束近似AC-OPF。所提出的最优潮流公式中采用的潮流模型结合了名义运行点的精确交流潮流模型和近似线性潮流模型,以反映系统在不确定性下的响应。分布鲁棒公式中采用的模糊集是以经验分布为中心的Wasserstein球。所提出的最优潮流模型使二次费用函数的期望最小化。最坏情况的概率分布,并保证满足模糊度集中的任何分布的机会约束。整个方法是数据驱动的,模糊度集是由历史数据构造的,不需要对概率分布的类型做任何假设,数据越多,模糊度集越小,策略越不保守。此外,特殊的问题结构,建议的问题制定开发一个有效的和可扩展的解决方案的方法。IEEE 14和118节点系统的案例研究进行了近似AC模型的准确性和必要性和有吸引力的功能相比,其他方法来处理不确定性的分布鲁棒优化方法。
2018-04-28 math.OC
Distributed Optimal Power Flow Algorithm for Balanced Radial Distribution Networks
最优潮流(OPF)问题是电力系统运行和规划的基础。配电网中大规模的可再生能源渗透需要实时反馈控制,因此需要快速和分布式的OPF解决方案。这是困难的,因为OPF是非凸的,基尔霍夫定律是全局的。在本文中,我们提出了一个平衡的辐射状配电网的解决方案。它利用最近的结果,建议通过二阶锥规划(SOCP)松弛求解径向网络上的OPF的全局最优解。我们的分布式算法是基于交替方向法的乘数(ADMM),但不像标准的ADMM算法,往往需要迭代求解优化子问题,在每个ADMM迭代,我们的分解,使我们能够获得封闭形式的解决方案,这些子问题,大大加快了每个ADMM迭代。我们提出了一个现实世界中的2,065总线配电网络的模拟来说明所提出的算法的可扩展性和最优性。
2015-05-20 math.OC
Chance Constrained Optimal Power Flow Using the Inner-Outer Approximation Approach
近年来,有一个巨大的趋势,可再生能源渗透到能源网络。然而,这些来源根据环境条件引入不确定的发电量。因此,寻找“最优”和“可行”的运营策略对网络运营商来说仍然是一个很大的挑战,因此,适当的优化方法至关重要。本文将含不确定性的最优潮流问题转化为一个机会约束最优化问题。由于网络中的不确定性通常是“非高斯”分布的随机变量,因此机会约束不能直接转化为确定性约束。因此,在本文中,我们使用最近发展的内外近似的方法来近似求解机会约束最优潮流。该方法的有效性表明,使用直流最优潮流纳入不确定的非高斯分布的风力发电。
2018-05-02 math.OC
An exact relaxation of AC-OPF problem for battery-integrated power grids
可再生能源和电力电子接口负载在配电网络中引入快速动态。这些动态不能通过缓慢的传统解决方案来调节,并且需要快速可控的能量资源,例如电池储能系统(BESS)。为了补偿与BESS相关的高成本,应优化其能量和功率管理。本文提出了一种凸迭代优化方法,用于求解有源配电网中BESS的最优有功和无功设定值。目标是最小化从电网购买能量的总成本。BESS的往返和寿命特性被精确建模,并集成到一个宽松的和精确的配方的交流潮流,从而成为一个修改的增广松弛最优潮流(MAROP)问题。分析证明了该方案在电网安全极限和基站技术约束下的可行性和最优性。一个32总线IEEE测试基准被用来说明所开发的方法相比,现有的文献中的替代方法的性能。
2022-10-08 math.OC
Robust AC Optimal Power Flow with Robust Convex Restriction
电网经常经历来自负荷需求和可再生能源的不确定波动,这构成了违反旨在保护系统的操作限制的风险。在本文中,我们考虑的鲁棒AC最优潮流问题,最大限度地减少发电成本,同时需要一定程度的系统安全存在的不确定性。鲁棒交流最优潮流问题要求系统在给定的不确定性集合内满足所有不确定性实现的运行极限。由于非凸、非线性AC潮流方程可能并不总是有解,因此保证鲁棒性特别具有挑战性。在这项工作中,我们扩展了以前开发的凸约束的鲁棒凸约束,这是一个凸的内部近似的非凸可行域的AC OPF问题,占功率注入的不确定性。然后,我们使用的鲁棒凸约束的算法,通过解决一系列的凸优化问题,获得AC OPF问题的鲁棒解决方案。我们证明了我们的算法和控制鲁棒性与运营成本的权衡使用PGLib测试用例的能力。
2021-04-10 math.OC
Fast AC Power Flow Optimization using Difference of Convex Functions Programming
时域仿真是分析新型运行方案对电力系统影响的一种有效手段,例如用于研究基于优化的可再生能源削减以减轻电压违规。传统上,相邻点法被用来解决非凸交流最优潮流(OPF)问题中出现的这类模拟。本文提出了一种替代算法,更好地适合模拟框架,因为它可以更有效地热启动,具有线性的计算和内存的复杂性,在每次迭代的问题大小和全局收敛到Karush-Kuhn-Tucker(KKT)点的线性速率,如果它们存在。该算法利用了一个不同的凸函数的最优潮流问题,这可以有效地执行。数值结果比较的方法,最先进的OPF求解器实现MATPOWER,导致显着的加速比后者。
2016-07-26 math.OC
A Hybrid Transmission Grid Architecture Enabling Efficient Optimal Power Flow
近来基于可再生能源的发电的兴起增加了对传输容量的需求。通过输电线路容量升级进行容量扩展,例如,通过转换到高压直流(HVDC)线路,是一个有吸引力的选择。在本文中,它示出,如果升级到HVDC系统地应用到选定的输电线路在整个电网中,一个混合架构,使一个有效的和全局最优解的最优潮流(OPF)问题。更准确地说,对于传统的网状交流输电网的OPF问题是非凸的,一般NP-难,使其难以解决。我们证明,升级后的建议的混合架构,相同的网状拓扑结构有利于精确的凸松弛的OPF问题,使其具有高效的多项式时间算法的全局最优解。该OPF方法,然后在仿真中,这表明,混合架构可以增加有效的传输容量,并大大降低发电成本,甚至相比,交流电网与最佳传输切换。
2016-03-08 math.OC
Importance sampling approach to chance-constrained DC optimal power flow
尽管有显著的经济和生态影响,但更高水平的可再生能源发电导致电力注入的不确定性和可变性增加,从而影响电网的可靠性。为了提高电网安全性,研究了联合机会约束直流最优潮流问题。该问题的目的是找到经济上最佳的发电,同时保证所有的发电,线路流量和电压同时保持在其范围内与预定义的概率。不幸的是,即使可再生能源波动的分布是指定的,这个问题在计算上是棘手的。此外,现有的联合CC最优潮流问题的近似解过于保守,因此对实际操作的价值不大。本文提出了一种重要性采样的CC DC最优潮流问题的方法,它产生更好的复杂性和准确性比目前的最先进的方法。该算法有效地减少了场景的数量,只生成和使用其中最重要的,从而使实时解决方案的测试用例多达几百个总线。
2021-11-23 math.OC stat.CO
DC Optimal Power Flow with Joint Chance Constraints
由于连接到电网的波动性可再生能源的水平不断增加,管理功率注入的不确定性和可变性已成为电力系统运营商的主要关注点。这项工作解决了这种不确定性,通过联合机会约束制定的直流最优潮流(OPF)的问题,满足\emph{all}的约束\emph{jointly}与预先确定的概率。现有的几种解决联合机会约束最优潮流问题的方法通常要么是计算上难以处理的大规模问题,要么是过于保守的解决方案,满足的约束往往比所需的,导致过于昂贵的操作。提出了一种采用S $\ell_1$ QP型信赖域算法求解联合机会约束DC最优潮流问题的算法。该算法使用基于样本的方法,避免了对不确定性的分布做出强假设,有利于大问题的扩展,并且可以进行调整以获得不太保守的结果。我们说明了我们的方法使用几个IEEE测试用例的性能。结果表明,该算法的计算时间和有限的保守性相对于其他联合机会约束DC OPF算法的优势。
2020-05-02 math.OC
Distributed Algorithm for Optimal Power Flow on Unbalanced Multiphase Distribution Networks
最优潮流(OPF)问题是配电网控制和运行的基础问题,是电压/无功控制和需求响应等重要应用的基础。大规模的高度不稳定的可再生能源在配电网中的渗透要求实时反馈控制,因此需要分布式解决方案的OPF问题。配电网络本质上是不平衡的,大多数现有的平衡网络分布式解决方案都不适用。在本文中,我们提出了一个解决方案,不平衡的配电网。我们的分布式算法是基于乘子的交替方向法(ADMM)。与现有的方法,需要解决半定规划问题,在每个ADMM宏迭代,我们利用问题的结构和分解的OPF问题的方式,在每个ADMM宏迭代的子问题减少到一个封闭的形式解决方案或特征分解的6 × 6埃尔米特矩阵,这显着减少收敛时间。我们提出了IEEE 13,34,37和123总线不平衡配电网的仿真来说明所提出的算法的可扩展性和最优性。
2015-12-21 math.OC
The Price of Uncertainty: Chance-constrained OPF vs. In-hindsight OPF
Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院自动化与应用信息研究所)
研究概率约束OPF与事后OPF在电力系统中的不确定性成本差异,通过引入总变分距离量化性能差距,提出在弱假设下ccOPF与hOPF相等的充分条件。
2018-06-14 cs.SY eess.SY math.OC
OPF-Learn: An Open-Source Framework for Creating Representative AC Optimal Power Flow Datasets
University of Washington(华盛顿大学);University of Colorado Boulder(科罗拉多大学博尔德分校);National Renewable Energy Laboratory(国家可再生能源实验室)
可再生能源发电水平的不断提高激发了人们对数据驱动的交流最优潮流(AC OPF)方法的兴趣,以管理不确定性;然而,缺乏纪律严明的数据集创建和基准测试禁止文献中的方法之间进行有用的比较。为了增强信心,模型必须能够在各种操作条件下可靠地预测解决方案。本文为Julia和Python开发了OPF学习包,该包使用一种计算效率高的方法来创建代表性数据集,这些数据集跨越AC OPF可行域的广泛范围。负荷分布均匀采样从一个凸集,包含AC最优潮流可行集。对于每个不可行点发现,凸集减少使用不可行性证书,发现使用一个放松的配方的属性。与文献中看到的传统技术相比,该框架可以生成更能代表整个可行空间的数据集,从而提高机器学习模型的性能。
2021-11-03 cs.LG cs.SY eess.SY
High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow
Georgia Institute of Technology(佐治亚理工学院);Syracuse University(雪城大学)
交流最优潮流(AC-OPF)是电力系统应用中的一个重要组成部分。它以最小的成本确定发电机设定点,满足电力需求,同时满足基本的物理和操作约束。它是一个非凸的、NP难的问题,对于大规模电力系统的计算具有挑战性。受发电计划随机性增加和可再生能源渗透率提高的影响,本文探讨了一种深度学习方法,以提供高效准确的AC-OPF近似值。特别是,本文提出了深度神经网络和拉格朗日对偶的集成,以捕获物理和操作约束。由此产生的模型,称为OPF-DNN,是在法国输电系统的真实案例研究中进行评估的,该系统有多达3,400辆公交车和4,500条线路。计算结果表明,OPF-DNN产生高度准确的AC-OPF近似,其成本在最优性的0.01%以内。OPF-DNN在毫秒内生成解决方案,以高保真度捕获问题约束。
2020-06-29 cs.LG eess.SP math.OC
Multi-stage Stochastic Alternating Current Optimal Power Flow with Storage: Bounding the Relaxation Gap
针对可再生能源发电量的随机性和储能系统的动态约束,提出了一种适用于辐射状配电网的交流最优潮流(AC OPF)问题的多级随机模型。我们考虑单相径向网络。径向三相平衡网络(中压配电网通常具有这种结构)简化为前一种情况。这导致了大规模的最优化问题,考虑到AC OPF的非凸性质,该问题通常难以求解到全局最优。我们推导出一个先验条件,保证了一个消失的松弛间隙的多级交流最优潮流问题,从而可以解决使用凸优化算法。我们还给出了弛豫间隙的后验上界。特别是,我们表明,一个零或低松弛间隙可能是预期的应用程序与光反向功率流或如果有足够的存储容量,低成本。然后,我们讨论了我们的结果的有效性时,将电压调节设备。最后,我们说明了我们的结果规划的一个现实的配电馈线与分布式太阳能发电和存储系统的问题。情景树的太阳能生产构造从一个随机模型,基于分位数的算法。
2021-11-18 math.OC
DNN-based Policies for Stochastic AC OPF
由于负荷和可再生能源的不确定性越来越大,现代电网的安全和优化运行面临着一个突出的挑战。随机最优潮流(SOPF)公式提供了一种机制来处理这些不确定性计算调度决策和控制策略,保持不确定性下的可行性。大多数SOPF公式考虑简单的控制策略,如仿射策略,这些策略在数学上很简单,类似于当前实践中使用的许多策略。受机器学习(ML)算法的有效性以及一般控制策略对成本和约束执行的潜在好处的影响,我们提出了一种基于深度神经网络(DNN)的策略,该策略可以实时预测发电机调度决策,以应对不确定性。DNN的权重是使用随机原始-对偶更新来学习的,该更新解决了SOPF,而不需要预先生成训练标签,并且可以显式地考虑SOPF中的可行性约束。DNN政策的优势,更简单的政策和他们的效率,在执行安全限制和生产近最优解的情况下,证明了一些测试案例的机会约束制定。
2021-12-04 math.OC stat.ML
Optimal Adaptive Droop Design via a Modified Relaxation of the OPF
可再生能源(RESs)在配电网络中的渗透率不断增加,带来了将电网电压维持在安全区域内的挑战。在RES逆变器上采用下垂电压调节器是实现这一目标的有效且低成本的解决方案。然而,固定下垂参数或仅针对过压条件对其进行优化,在变化的操作条件下不能提供所需的鲁棒性和最优性。本文提出了一种凸优化方法,用于在线重构PV和QV下垂调节器。其目标是最大限度地减少电力削减,电力损失,电压偏差受电气安全约束。这使得能够在可变条件下以高RES穿透率最佳地操作电网,同时保持电气安全约束(例如,电流和电压限制)。作为第一个贡献,一个混合整数线性模型的下垂特性的开发。根据该模型,下垂调节发电单元被表示为与恒定阻抗负载并联的恒定功率发电机。作为第二个贡献,提出了一种修正的增广松弛最优潮流(MAROPF)制定,以保证在网络中的恒定阻抗负载的存在下,电气安全约束得到尊重。给出了MAROPF解可行的充分条件。这些条件可以被先验地检验,并且对于几个真实的配电网络是有效的。此外,提出了一种迭代方法,以获得一个近似解的MAROPF是接近全局最优的。MAROPF方法的性能和所提出的模型的准确性进行评估标准的34总线和85总线测试网络。
2022-03-17 math.OC
Optimal Power Flow for DC Networks with Robust Feasibility and Stability Guarantees
随着可再生能源发电和可变负荷的高渗透率,直流网络中的功率流存在显著的不确定性,因此稳定性和运行约束满足度受到关注。现有的直流网络最优潮流(DN-OPF)公式假设负载条件的精确知识,并不提供稳定性保证。与此相反,本文研究了DN-OPF制定,同时考虑稳定性和操作约束满足下的不确定性。需要考虑一系列的不确定性实现本文的鲁棒优化配方的结果在一个具有挑战性的半无限计划(SIP)。建议的解决方案算法重新制定这SIP到一个计算上容易处理的问题,通过构建一个紧密的凸内部近似的稳定集使用充分条件的存在一个可行的和稳定的潮流解决方案。最佳发电机设定点通过优化所提出的凸稳定集。通过IEEE测试案例中的各种直流网络验证了该算法的有效性和实用价值。
2021-06-10 math.OC
Algorithms for Optimal AC Power Flow in the Presence of Renewable Sources
Arak University of Technology(阿拉克理工大学);CNR-IEIIT, Politecnico di Torino(都灵理工大学意大利国家研究委员会信息与通信技术研究所);The Pennsylvania State University(宾夕法尼亚州立大学)
本文研究了在可再生能源接入下最优功率流问题的核心方法与主要贡献,重点介绍了基于随机化方法的最新算法。
2019-05-23 cs.SY eess.SY math.OC
A Physics-Informed Machine Learning for Electricity Markets: A NYISO Case Study
本文提出 PIMA-AS-OPF 物理信息机器学习方法,通过全连接神经网络预测主动约束与削减量,将最优潮流优化简化为线性方程组高效求解,在 NYISO 系统上验证了准确性与可扩展性。
2023-03-31 cs.LG cs.SY eess.SY
Optimal Power Flow with Weighted Chance Constraints and General Policies for Generation Control
ETH Zurich(苏黎世联邦理工学院);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);New Mexico Consortium(新墨西哥联盟)
本文提出加权可能性约束最优功率流(WCC-OPF)以应对电力系统不确定性的挑战,通过加权函数区分不同违规规模,保持凸性并提高计算效率,减少严重过载情况。
2015-03-31 cs.SY eess.SY math.OC
Robust Transient Stability Constrained Optimal Power Flow with Power Flow Routers Considering Renewable Uncertainties
提出了一种考虑可更新不确定性的鲁棒暂态稳定约束最优潮流问题,该问题通过协调发电再调度和潮流路由器(PFR)来解决,PFR是一种扩大最优潮流问题可行域的网侧控制器。与传统的只考虑发电调度的方法相比,该模型能更好地协调网侧和机侧控制。一个离线在线解决方案框架的开发,以有效地解决问题。在这个框架下,原来的问题是显着简化,使我们只需要解决一个低维的确定性问题,在在线阶段,以实现高鲁棒性水平的实时实现。在新英格兰39节点系统上验证了该方法的有效性。数值结果表明,该方法是有效的,具有良好的经济性和鲁棒性。
2020-05-31 cs.SY eess.SY math.OC
Optimally Linearizing Power Flow Equations for Improved Power System Dispatch
针对传统潮流线性化与应用场景脱节的问题,提出基于梯度的最优交流潮流约束线性化方法,可在电力系统调度中平衡成本最优性与运行可行性。
2025-09-05 math.OC
A-Priori Reduction of Scenario Approximation for Automated Generation Control in High-Voltage Power Grids with Renewable Energy
针对含可再生能源电网的机会约束直流最优潮流问题,提出带先验样本约简的数据驱动近似方法,可在保证解可靠性的前提下将所需数据量最多减半,提升计算效率。
2024-10-05 math.OC stat.CO
Differentiable Optimization for Deep Learning-Enhanced DC Approximation of AC Optimal Power Flow
Georgia Institute of Technology(佐治亚理工学院)
本文提出基于深度学习的可微优化框架,用于增强直流最优功率流近似,以更准确地模拟交流最优功率流行为。
2025-11-29 cs.AI cs.LG cs.SY
Distributionally Robust Chance Constrained Optimal Power Flow Assuming Unimodal Distributions with Misspecified Modes
机会约束最优潮流(CC-OPF)公式已被提出,以最大限度地减少运营成本,同时控制风险所产生的不确定性,如可再生能源发电和负荷消耗。为了求解CC-OPF,我们通常需要获得所有不确定性的(真实)联合概率分布,这在实践中很少知道。基于分布的有偏估计的解决方案可能导致可靠性差。为了克服这一挑战,最近的工作已经探索了分布鲁棒的机会约束,其中机会约束在称为模糊集的分布族上得到满足。通常,模糊度集合仅基于矩信息(例如,均值和协方差);然而,指定随机变量的附加特征会降低保守性和成本。在这里,我们考虑的模糊集,另外纳入单峰信息。在实践中,很难从数据中估计模式位置,因此我们允许它可能被错误指定。我们制定的问题,并推导出一个基于分离的算法,以有效地解决它。最后,我们评估所提出的方法的性能修改后的IEEE-30总线网络风的不确定性,并与其他分布式鲁棒方法进行比较。我们发现,一个错误指定的模式显着影响解决方案的可靠性和所提出的模型表现出良好的成本和可靠性之间的权衡。
2018-09-19 math.OC
Analysis of Wind Power Integration in Electricity Markets LMP Pricing
本研究分析节点边际定价(LMP)市场模型中风能并网问题,重点关注风力发电厂接入变电站,并采用最优潮流(OPF)方法考察电力市场的两阶段随机模型。
2024-10-14 cs.SY eess.SY math.OC
Controlling Smart Inverters using Proxies: A Chance-Constrained DNN-based Approach
针对配电网中状态不可观测且存在不确定性的逆变器协调问题,本文将 DNN 策略嵌入 OPF,利用平均电压约束与机会约束凸限制进行训练,并提出有梯度和无梯度两种实现。
2021-12-03 cs.LG math.OC
Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学)
交流最优潮流(AC-OPF)是电力系统运行的基本问题之一。AC-OPF传统上被视为一个约束优化问题,该问题在满足一组非线性等式约束(潮流方程)的同时寻求最优发电设定点。随着可再生能源发电的普及,电网运营商需要以更短的时间间隔解决更大的问题。这激发了研究兴趣,学习OPF解决方案与神经网络,具有快速的推理时间,并有可能扩展到大型网络。解决AC-OPF问题的主要困难在于处理具有伪根的等式约束,即存在满足功率流方程的电压分配,然而这些电压分配在物理上是不可实现的。这个属性使得任何依赖于投影梯度的方法都很脆弱,因为这些非物理根可以充当吸引子。在本文中,我们展示了有效的策略,绕过这个问题,通过一个潮流求解器,嵌入到一个全纯函数的潮流方程的操作区分。由此产生的基于学习的方法在200总线系统上进行了实验验证,我们表明,经过训练,学习代理可靠,快速地产生优化的潮流解决方案。具体来说,我们报告了12倍的速度和40%的鲁棒性增加相比,传统的求解器。据我们所知,这种方法构成了第一个基于学习的方法,成功地尊重完整的非线性AC-OPF方程。
2020-12-16 cs.LG cs.SY eess.SY
Learning to Pursue AC Optimal Power Flow Solutions with Feasibility Guarantees
Boston University(波士顿大学);University of Liège(列日大学);University of California San Diego(加州大学圣地亚哥分校)
本文提出了一种基于神经网络近似的安全梯度流方法,用于在配电网中实现具有可行性保证的AC最优功率流解。
2026-02-25 cs.SY eess.SY math.OC
Machine Learning for Electricity Market Clearing
University of Arizona(亚利桑那大学);New York University(纽约大学)
本文旨在设计一个机器学习孪生的最优潮流(OPF)优化,这是用于电力批发市场的市场出清程序。所提出的方法的动机源于需要获得数字孪生,这是比原来快得多,同时也足够准确,并产生一致的发电调度和位置边际价格(LMP),这是原始和对偶解决方案的OPF优化,分别。基于这种方法的市场出清工具的可用性将使在给定的机组承诺下的多个调度方案的计算易处理的评估。而不是直接解决的OPF,Karush-Kuhn-Tucker(KKT)条件的问题的OPF问题可以写,并在并行的发电机和负载的LMP可以表示在OPF拉格朗日乘子。此外,利用与线路相关的许多拉格朗日乘数将为零(热限制不具有约束力)的实际事实,我们构建并训练了一个ML方案,该方案将灵活的资源(负载和可再生能源)映射到绑定线路,并补充了一个高效的电网感知线性映射,以实现最佳调度和LMP。IEEE模型验证和说明该计划。我们还报告了一个贸易分析之间的质量重建和样本数量需要训练模型。
2022-05-23 cs.LG cs.SY eess.SY
Embedding Dependencies Between Wind Farms in Distributionally Robust Optimal Power Flow
随着可再生能源在发电组合中所占份额的增加,电力供应的不确定性也越来越大。近年来,分布鲁棒优化由于其在不确定性下做出明智决策的能力而获得了极大的兴趣,这些决策对分布信息的错误表示(例如,概率预测)。这是通过引入一个模糊集来实现的,该模糊集描述了所有不确定参数与经验分布的潜在偏差。然而,该集合通常忽略了不确定性的固有依赖性,例如,依赖天气的能源的空间依赖性。本文超越了国家的最先进的模型,通过嵌入这种依赖关系的定义中的歧义集。特别是,我们提出了一个新的Copula为基础的模糊集,这是量身定制,以捕捉任何类型的依赖关系。由此产生的问题被重新制定为一个圆锥规划,这是保持通用的,使它可以应用于任何决策问题下的不确定性在电力系统。鉴于最优潮流(OPF)问题的主要潜在应用之一,我们说明了我们提出的分布式鲁棒模型的性能适用于i)DC-OPF问题的网状输电系统和ii)AC-OPF问题使用LinDistFlow近似的径向配电系统。
2022-11-10 cs.SY eess.SY math.OC
Distributed Algorithms for Optimal Power Flow Problem
University of California, Berkeley(加州大学伯克利分校)
针对非凸最优潮流问题,提出基于凸松弛的原始和对偶分布式算法,通过顺序或并行求解子问题,显著降低计算时间,尤其适用于树状网络。
2011-09-24 cs.SY eess.SY math.OC
A Deep Reinforcement Learning Based Approach for Optimal Active Power Dispatch
可再生能源和电力电子设备的随机性和动态性给现代电力系统带来了独特的挑战。一个这样的挑战是,传统的数学系统模型为基础的最优有功功率调度(OAPD)方法是有限的,在其能力来处理由可再生能源和其他系统意外事件所造成的不确定性。本文提出了一种基于深度强化学习(DRL)的方法,可以在不进行系统建模的情况下为OAPD问题提供近最优解。DRL代理经历离线训练,基于离线训练,DRL代理能够在看不见的场景下获得OAPD点,例如,不同的负载模式。在IEEE 14节点系统上对基于DRL的OAPD方法进行了测试,从而验证了其解决OAPD问题的可行性。它的效用进一步证实,它可以作为解决未来无模型AC-OPF问题的关键组成部分。
2019-08-30 eess.SP math.OC
Distributed Robust Optimization Method for AC/MTDC Hybrid Power Systems with DC Network Cognizance
针对交直流混合电力系统的运行灵活性、通信限制和可再生能源不确定性问题,提出支持直流拓扑重构的混合整数凸最优潮流模型,结合广义Benders分解的并行异步计算与极端场景方法实现分布式鲁棒优化决策。
2024-09-25 cs.SY eess.SY math.OC
Distributed Stochastic Market Clearing with High-Penetration Wind Power
将可再生能源整合到现代电网中需要对资源进行风险认知调度,以考虑可再生能源的随机可用性。针对这一目标,本文基于直流最优潮流(OPF),研究了高渗透率风电的日前随机市场出清问题。其目标是最大限度地减少社会成本,其中包括传统的发电成本,最终用户负效用,以及系统重新调度成本的风险措施。利用条件风险价值(CVaR),新模型能够减轻潜在的高风险的追索行动,以补偿风预测误差。由此产生的凸优化任务是通过一个基于分布的样本平均值的近似来解决的,以绕过过于复杂的高维积分。此外,为了应付可能的大规模可调度负荷,一个快速分布式求解器的开发与保证收敛使用的交替方向法的乘法器(ADMM)。在一个改进的基准系统上测试的数值结果证实了新框架和所提出的方法的优点。
2015-04-13 cs.DC math.OC
Optimal Power Flow Pursuit via Feedback-based Safe Gradient Flow
针对配电网交流最优潮流实时求解问题,提出基于控制屏障函数的反馈型安全梯度流在线优化方法,仅靠电压测量即可驱动DER设定值收敛,具备稳定性与鲁棒性,电压调节性能优于现有方法。
2024-09-12 cs.SY eess.SY math.OC
Statistical Learning For DC Optimal Power Flow
最优潮流问题在电力系统的市场出清和运行中起着重要的作用。然而,随着可再生能源运行的不确定性增加,系统的最佳运行点实时变化更显著。在本文中,我们的目标是开发控制策略,能够跟踪最优设定点的概率很高。该方法是基于观察到的OPF解决方案对应于一定的不确定性实现是一个基本可行解,它提供了一个仿射控制策略。这个基础策略的最优性仅限于共享同一组积极约束的不确定性实现。我们提出了一个合奏控制政策,结合几个基本政策,以提高性能。虽然可能的基地的数量是指数的系统的大小,我们表明,只有少数是相关的系统操作。我们采用统计学习方法来学习这些重要的基础,并提供理论结果来验证我们的观察。对于大多数系统,我们观察到,有效的集成策略构造使用少至10个基地,能够获得最优解的概率很高。
2018-01-23 math.OC
Stochastic Optimal Power Flow Based on Data-Driven Distributionally Robust Optimization
The University of Texas at Dallas(德克萨斯大学达拉斯分校);The University of Colorado, Boulder(科罗拉多大学博尔德分校);National Renewable Energy Laboratory(国家可再生能源实验室);Tsinghua University(清华大学)
本文提出一种数据驱动方法,用于解决基于有限预测误差分布信息的随机优化潮流问题,通过分布鲁棒优化平衡运行成本和设备及网络约束违反的条件风险。
2018-01-19 cs.SY eess.SY math.OC
Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee
Institute for Transportation Research and Education(交通研究与教育研究所);North Carolina State University(北卡罗来纳州立大学)
本文提出结合物理信息图神经网络和连续流匹配的两阶段学习框架,用于解决直流最优功率流问题,实现高效且可行的优化解。
2025-12-11 cs.LG math.OC