Solving Bilevel AC OPF Problems by Smoothing the Complementary Conditions -- Part II: Solution Techniques and Case Study
这是交流最优潮流在两级策略性报价或投资模型的下层应用研究的第二部分。作为一个合适的上层问题的例子，我们观察到一个战略招标的能量存储，并提出了一个新的配方的基础上平滑技术。在介绍了我们的工作的思想和范围，以及模型本身和解决方案的算法在配套文件（第一部分），本文提出了一些现有的解决方案的技术和建议的基础上平滑的补充条件。所提出的算法和平滑技术的优越性证明了在多个不同规模和不同的OPF模型的传输网络的精度和计算的易处理性。结果表明，所提出的方法在这两个指标上都明显优于所有其他选项。这在准确性度量中尤其明显，其中在9个网状网络的总共422个优化中，最大AC OPF误差为0.023%，在我们算法的第二次迭代中进一步减小到3.3e-4%。
2022-06-30 cs.SY eess.SY
Chance-constrained OPF: A Distributed Method with Confidentiality Preservation
随着风电在电力系统中所占比例的增加，机会约束最优潮流（CC-OPF）计算作为一种在保证安全水平的前提下考虑风电不确定性的方法得到了推广。与区域电网内的局部CC-OPF相比，多区域互联电网的全局CC-OPF能够跨区域协调，从而在整合高比例的风力发电时提高经济性。然而，在这一全球性问题中，多个区域独立系统运营商（ISO）参与决策过程，这就需要采取分散但协调的方法。最值得注意的是，由于法规限制、商业利益和数据安全，区域ISO可能会拒绝与他人共享机密信息，包括发电成本、负荷数据、系统拓扑和线路参数。但是，需要这些信息来构建和解决跨越多个区域的全球CC-OPF。为了解决这些问题，本文提出了一种分布式的CC-OPF方法与保密性保护，使区域ISO确定最佳的可调度的发电机在其区域内，而不会泄露机密数据。该方法不需要参数调整，并且不会受到收敛性的挑战。IEEE算例结果表明，该方法具有较高的精度。
2022-02-28 cs.SY eess.SY
Solving Bilevel AC OPF Problems by Smoothing the Complementary Conditions -- Part I: Model Description and the Algorithm
现有的研究市场价格的影响因素，即价格制定者，忽略或简化的电力系统中的交流潮流的性质，因为它主要依赖于直流潮流。本文提出了一种新的双层制定的平滑技术的基础上，其中任何价格影响的战略球员可以在上层建模，而在较低的水平上的市场出清问题使用凸二次输电交流最优潮流（AC OPF），与目标是实现精度接近的精确的非线性配方之一。在较低的层次上实现凸性是双层建模的基础，因为传统的单级约简技术不适用于非凸模型。将下层具有AC最优潮流的双层市场参与问题转化为单层问题，并采用原对偶、强对偶定理、McCormick包络、互补松弛、惩罚因子、交互离散化以及平滑技术等多种技术进行求解.由于广泛的信息量和描述，整体工作作为一个两部分的文件。这第一部分提供了一个文献综述，定位工作，并提出了模型和解决方案的算法，而解决方案的技术和案例研究中提供的随附文件。
2022-06-28 cs.SY eess.SY
Deep Reinforcement Learning for Optimal Power Flow with Renewables Using Graph Information
University of Electronic Science and Technology of China（电子科技大学）；Monash University（莫纳什大学）；University of Electro-Communications（电气通信大学）
可再生能源（RERs）已越来越多地集成到大型分布式电源系统中。考虑到RERs引入的不确定性和电压波动问题，本文提出了一种基于深度强化学习（DRL）的策略，利用电力系统的时空（ST）图形信息，动态搜索最优操作，即，最优潮流（OPF），电力系统的高吸收的RERs。具体而言，我们制定的OPF问题作为一个多目标优化问题，考虑发电成本，电压波动，输电损耗，并采用深度确定性策略梯度（DDPG）学习的最优分配策略OPF。此外，鉴于电力系统中的节点在时间和空间视图中是自相关和相互关联的，我们开发了一个多粒度的注意力为基础的时空图卷积网络（MG-ASTGCN）提取ST图形的相关性和特征，旨在提供电力系统的先验知识，其顺序DDPG算法，以更有效地解决OPF。我们验证我们的算法修改IEEE 33，69，和118总线径向配电系统，并证明我们的算法优于其他基准算法。我们的实验结果也表明，我们的MG-ASTGCN可以显着加快DDPG的训练过程和性能在解决OPF。
2022-08-05 cs.AI cs.LG cs.SY
New Cycle-based Formulation, Cost Function, and Heuristics for DC OPF Based Controlled Islanding
本文针对输电网受控孤岛问题，提出基于MILP直流最优潮流的新公式、更适合孤岛场景的优化目标、连通性与开关约束以及初始可行解启发式方法，并在多个测试实例上验证其可降低最优性间隙。
2023-05-28 cs.SY eess.SY
On LinDistFlow Model Congestion Pricing: Bounding the Changes in Power Tariffs
针对基于LinDistFlow模型的单相辐射状电网最优潮流问题，推导有功、无功需求边际值闭式解及拥塞价格上界，并通过141节点电网仿真验证。
2023-04-30 cs.SY eess.SY math.OC
An OPF-based Control Framework for Hybrid AC-MTDC Power Systems under Uncertainty
针对高比例可再生能源并网带来的不确定性问题，提出融合随机森林风速预测的OPF自适应控制框架与自适应下垂控制方案，经HIL仿真验证可保障混合AC-HVDC系统稳定鲁棒运行。
2025-10-29 cs.SY eess.SY
Equivalent relaxations of optimal power flow
California Institute of Technology（加州理工学院）
本文研究了最优功率流问题的三种凸松弛方法，证明了它们在径向网络中等价，在网格网络中则存在松弛程度与计算复杂度的平衡。
2014-01-09 cs.SY eess.SY
Scalable Bilevel Optimization for Generating Maximally Representative OPF Datasets
针对非线性交流 OPF 中活跃约束组合难以覆盖的问题，提出基于双层优化的 RAMBO 数据收集流程，以更高效采样系统边界附近的关键数据。
2024-03-11 cs.SY eess.SY
Carbon-Aware Optimal Power Flow
本文提出碳感知最优潮流（C-OPF）方法，在经典OPF基础上纳入碳排放流方程与碳目标，联合优化潮流与碳流，并解决方向不确定和双线性问题，数值仿真验证其有效性。
2025-03-30 cs.SY eess.SY math.OC
Ex Post Conditions for the Exactness of Optimal Power Flow Conic Relaxations
针对最优潮流锥松弛精确性的先验条件严格问题，提出两个等价事后条件（秩1电压矩阵或自相干循环）作为精确性证书，通过MATPOWER示例验证其在充分条件不满足时的有效性。
2024-04-11 cs.SY eess.SY math.OC
Sufficient Conditions for the Exact Relaxation of Complementarity Constraints for Storages in Multi-period OPF Problems
本文针对含互补约束的储能最优潮流问题，提出两个广义充分条件以消除同时充放电，并证明其覆盖现有条件，推广至负电价场景，强调备用服务可拓宽适用范围，案例验证了精确性与优势。
2023-11-11 cs.SY eess.SY math.OC
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
Computationally Enhanced Approach for Chance-Constrained OPF Considering Voltage Stability
本文提出一种计算增强方法解决机会约束电压稳定约束最优潮流问题，通过神经网络代理模型、自适应多项式混沌展开及偏最小二乘框架等技术，实现了高效的不确定性传播和大规模计算，仿真验证了其成本效益。
2024-01-04 cs.SY eess.SY
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
Radial Partitioning with Spectral Penalty Parameter Selection in Distributed Optimization for Power Systems
本文提出基于径向划分和谱参数选择的分布式优化算法，并开发DiCARP软件包，在更少迭代次数下获得比基于组件的DO更精确的最优潮流解。
2024-08-05 cs.SY eess.SY math.OC
Modeling and Rapid Prototyping of Integrated Transmission-Distribution OPF Formulations with PowerModelsITD.jl
传统的电力系统由发电、输电和配电的不同单向功率流阶段组成，由输电系统和配电系统运营商独立管理。然而，由于分布式能源的整合，配电系统的复杂性增加，输电网和配电网之间的协调对于电网的优化运行将是必不可少的。然而，输电和配电之间的耦合模型和公式是不平凡的，特别是由于将输电系统建模为单相和将配电系统建模为多导体相位不平衡的常见实践。为了实现潮流公式的快速原型设计，特别是在这两个看似不兼容的数据模型之间的边界条件建模中，我们引入了PowerModelsITD.jl，这是一个用Julia编写的免费开源工具包，用于集成传输分配（ITD）优化，该工具包利用了ESTRUCTUREModels.jl-ecosystem中成熟的优化库。建议的框架的主要目标是提供基线实现的稳态ITD优化问题，同时提供一个共同的平台，新兴的配方和优化问题的评估。在这项工作中，我们介绍了PowerModelsITD.jl目前支持的非线性公式，其中包括AC-极性，AC-矩形，电流-电压和线性网络传输模型。使用IEEE传输和分配网络的组合的结果进行验证。
2022-10-28 cs.SY eess.SY
Differentially Private Optimal Power Flow for Distribution Grids
尽管配电网客户有义务与配电系统运营商（DSO）共享其消耗数据，但在DSO的操作例程中通常忽略了此数据的可能泄漏。本文介绍了一种用于配电网的隐私保护最优潮流（OPF）机制，该机制可以保护客户隐私，防止未经授权访问OPF解决方案，例如，电流和电压测量。该机制基于差分隐私的框架，该框架允许通过将仔细校准的噪声应用于计算的输出来控制数据集中个人的参与风险。与现有的私有机制不同，该机制不将噪声应用于优化参数或其结果。相反，它优化OPF变量作为随机噪声的仿射函数，这削弱了电网负荷和OPF变量之间的相关性。为了保证随机化最优潮流解的可行性，该机制利用了对网格限制施加的机会约束。该机制进一步扩展到控制由随机噪声引起的最优性损失，以及OPF变量的方差。本文表明，差分私有OPF解决方案不会泄漏客户负载指定的参数。
2020-08-20 cs.CR cs.SY eess.SY
Recover Feasible Solutions for SOCP Relaxation of Optimal Power Flow Problems in Mesh Networks
本文提出了一种替代凸优化方法，通过二次锥规划松弛的OPF结果高效恢复可行解，解决了凸松弛精确性不足时的可行解恢复问题，优于基于半正定规划的算法。
2017-10-23 cs.SY eess.SY
Graph Neural Network-Accelerated Network-Reconfigured Optimal Power Flow
University of Houston（休斯顿大学）
本文提出用图神经网络加速网络重构最优潮流求解，通过离线预ML过滤层和在线后ML选择层提升预测精度与效率，案例验证了方法的优越性能。
2024-10-22 cs.LG cs.SY eess.SY
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
Branch Flow Model: Relaxations and Convexification (Parts I, II)
Engineering and Applied Science（工程与应用科学学院）；Caltech（加州理工学院）
提出支路潮流模型，通过两步松弛（角度松弛和锥松弛）高效求解最优潮流问题，证明辐射状网络松弛精确，网状网络通过移相器凸化可保证全局最优。
2013-04-11 cs.SY eess.SY math.OC
Optimal Power Flow in Renewable-Integrated Power Systems: A Comprehensive Review
本文系统综述了可再生能源并网下最优潮流策略的研究进展，涵盖不确定性管理、储能集成、线性化与数据驱动方法，并指出未来研究方向。
2024-08-09 cs.SY eess.SY
Optimal Allocation of ESSs in Active Distribution Networks to achieve their Dispatchability
提出了一种在有源配电网（ADNs）中优化储能系统（ESS）的选址和规模以实现其可调度性的方法。该问题的制定占固有的不确定性的随机性质的分布式能源和负载。由于ESS的操作，主要优化目标是最小化调度误差，这说明了在ADN连接点到上层电网的功率分布的实现和预测之间的不匹配，同时考虑电网电压和载流量约束。所提出的公式依赖于所谓的增广松弛最优潮流（AR-OPF）方法：它表示一个凸的全AC最优潮流，这被证明是提供一个全局最优和精确的解决方案的情况下，径向电网。将AR-OPF与调度控制相结合，形成两级优化问题。在第一个块中，ESS的站点和大小与ADN可以实现的可调度性水平一起决定。然后，在第二块中，充分的ESS分配和电网操作点的可行性进行了验证，使用Benders分解技术的操作方案。因此，最佳的大小和网站的ESS的调整。为了验证所提出的方法，模拟进行了一个真正的瑞士ADN托管大量的随机光伏（PV）发电。
2020-04-14 cs.SY eess.SY
Convex Restriction of Feasible Sets for AC Radial Networks
针对交流辐射状网络潮流可行集非凸导致OPF难解的问题，提出显式且最大的凸限制构造方法及迭代改进算法，可在IEEE 123节点系统中快速获得可行解。
2023-10-01 cs.SY eess.SY math.OC
Convex Relaxation of Optimal Power Flow, Part II: Exactness
Caltech（加州理工学院）
本文探讨了最优功率流问题的凸松弛方法，分析了其精确性条件，总结了相关结构性质。
2014-05-05 cs.SY eess.SY math.OC
Optimal Power Flow in Highly Renewable Power System Based on Attention Neural Networks
Frankfurt Institute for Advanced Studies（法兰克福高等研究所）；Goethe University Frankfurt（法兰克福大学）；Xidian-FIAS International Joint Research Center（西安电子科技大学-法兰克福高等研究所国际联合研究中心）；Xidian University（西安电子科技大学）；Aarhus University（奥胡斯大学）；GSI Helmholtzzentrum für Schwerionenforschung（GSI亥姆霍兹重离子研究中心）
针对高可再生能源电力系统最优潮流（OPF）求解难题，提出基于注意力机制的物理信息机器学习方法，利用模仿学习与欧洲历史天气数据直接映射电力需求、天气与发电调度的关系，规避传统迭代求解，实现高效实时OPF求解。
2023-11-23 cs.LG cs.SY eess.SY
ProOPF: Benchmarking and Improving LLMs for Professional-Grade Power Systems Optimization Modeling
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院）；School of Electrical Engineering, Xi’an Jiaotong University（西安交通大学电气工程学院）；China Southern Power Grid Novel Electric Power System (BEIJING) Research Institute Co., Ltd.（中国南方电网新型电力系统（北京）研究院有限公司）
针对电力系统优化建模中自动化翻译自然语言需求为可执行优化模型的问题，本文提出专业级最优潮流数据集ProOPF-D和基准ProOPF-B，用于评估和改进大语言模型在专业级OPF建模中的表现。
2026-05-22 cs.SE cs.SY eess.SY
A Bayesian Adaptive Spectral Surrogate Model for Efficient Probabilistic Optimal Power Flow Evaluation
该研究提出自适应随机谱嵌入（ASSE）方法，用于高效准确评估概率AC-OPF，经IEEE测试系统验证，其性能优于多种基准方法，可为电力系统决策提供实用边界。
2026-09-02 cs.SY eess.SY
Reliability Assessment of Power System Based on the Dichotomy Method
针对电力系统状态空间指数增长导致传统可靠性评估方法效率低的问题，提出基于布尔格表示理论的二分法，通过少量最优潮流计算高效划分状态空间并逐格计算可靠性指标，实验证明该方法在RBTS和RTS-79系统上比传统方法快数百倍且能快速收敛。
2025-06-30 cs.SY eess.SY
A day-ahead market model for power systems: benchmarking and security implications
ETH Zurich（苏黎世联邦理工学院）
本文提出基于社会福利的日前市场清算模型，通过 cascades 模型分析安全影响，发现市场调度导致未满足需求增加80%，凸显安全高估问题。
2026-03-25 cs.SY eess.SY
N-1 Reduced Optimal Power Flow Using Augmented Hierarchical Graph Neural Network
University of Houston（休斯顿大学）
本文提出增强层次图神经网络（AHGNN）预测关键拥堵线路，构建N-1简化最优潮流（N-1 ROPF），在保持解质量的同时大幅降低计算时间，案例验证其有效性。
2024-02-09 cs.LG cs.SY eess.SY
Convex Relaxation of Optimal Power Flow, Part I: Formulations and Equivalence
Caltech（加州理工学院）
本文第一部分介绍了两种功率流模型，阐述了OPF及其松弛形式，并证明了它们之间的等价关系。
2014-05-05 cs.SY eess.SY math.OC
Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow
University of Malaga（马拉加大学）
针对AC-OPF问题非凸难解且现有神经网络方法缺乏可解释性、依赖大量数据的问题，提出一种融合简洁性与可解释性的新型学习方法，在透明度与准确度间取得平衡，在有限数据下表现优于神经网络。
2025-01-27 cs.LG cs.SY eess.SY
Chance-Constrained AC Optimal Power Flow Integrating HVDC Lines and Controllability
Technical University of Denmark（丹麦技术大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出了一种机会约束AC最优功率流方法，通过整合HVDC线路和可控性，解决大规模可再生能源接入带来的不确定性和传输容量问题，主要贡献是引入了HVDC线路模型和参与因子，并改进了求解机会约束AC-OPF的算法。
2019-06-14 cs.SY eess.SY
Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian Duality
University of California, Santa Cruz（加州大学圣克鲁兹分校）
非凸交流最优潮流是电力系统分析中的一个基本优化问题。传统求解器的计算复杂度通常很高，不适合实时操作的大规模网络。因此，基于深度学习的方法已经得到了广泛的关注，可以离线进行耗时的训练过程。监督学习方法可以产生一个可行的AC-OPF解决方案，具有小的最优性差距。然而，它们通常需要传统的求解器来生成训练数据集。提出了一种基于端到端无监督学习的AC-OPF框架。我们开发了一个深度神经网络来输出部分决策变量集，而其余变量则通过求解交流潮流方程来恢复。采用快速解耦潮流算法进一步减少计算时间。此外，我们建议使用修改的增广拉格朗日函数作为训练损失。根据约束违反的程度动态调整乘数。大量的数值试验结果证实了我们所提出的方法的优势，一些现有的方法。
2022-12-07 cs.LG cs.SY eess.SY
Synchronization-Aware and Algorithm-Efficient Chance Constrained Optimal Power Flow
Columbia University（哥伦比亚大学）；New Mexico Consortium（新墨西哥联盟）
本文提出凸优化方法，用于建模非线性特性及随机效应，解决包含同步失稳约束和风场波动的非线性最优功率流问题，提升计算效率与稳定性。
2013-06-12 cs.SY eess.SY math.OC
Efficient Probabilistic Optimal Power Flow Assessment Using an Adaptive Stochastic Spectral Embedding Surrogate Model
针对概率交流最优潮流计算，本文提出集成自适应域划分与展开系数算法的 ASSE 代理模型，并在9节点系统中验证其相较蒙特卡洛和稀疏多项式混沌展开更快速准确。
2024-01-19 cs.SY eess.SY
Data-based Distributionally Robust Stochastic Optimal Power Flow, Part I: Methodologies
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Tsinghua University（清华大学）
本文提出了一种基于数据的方法，用于解决具有有限预测误差分布信息的多阶段随机优化功率流问题，通过结合多阶段反馈策略和任何预测方法及历史预测误差数据，确定可控设备的功率调度策略，以平衡运营成本和设备及网络约束违规的条件风险价值（CVaR）。
2018-10-26 cs.SY eess.SY math.OC
A Decomposition Method for Solving Sensitivity-Based Distributed Optimal Power Flow
本文提出了一种基于灵敏度的分布式OPF求解方法，利用ADMM算法提高计算效率，相比传统方法快14倍。
2025-12-27 cs.SY eess.SY math.OC
ATC-Based Scenario Decomposition Algorithm for Optimal Power Flow of Distribution Networks Considering High Photovoltaic Penetration
研究了基于解析目标级联（ATC）的情景分解方法，并将其应用于高光伏渗透率配电网的随机最优潮流问题。将原两阶段随机最优潮流模型分解为上层的主问题和下层的多个子问题。这种分解使子问题更容易求解，也可以有效地克服传统的基于神经网络的模型中的维数灾难。该方法只需要在上下层之间传递一些必要的耦合信息，就可以得到全局最优解。此外，所有的子问题，在较低的水平可以解决在一个并行的方式，提高了计算效率，特别是，对于大量的情况下的情况。IEEE 33节点系统和各种大型系统的算例验证了该算法的有效性和适应性。
2022-07-08 cs.SY eess.SY
Privacy-Preserving Distributed Optimal Power Flow with Partially Homomorphic Encryption
针对配电网分布式OPF中状态信息泄露问题，提出结合PHE加密ADMM对偶更新、ℓ1正则化松弛及精确SDP转化的隐私保护算法，并证明其隐私保证与求解有效性。
2022-04-10 cs.SY eess.SY
Critical States Identiffcation in Power System via Lattice Partition and Its Application in Reliability Assessment
针对电力系统可靠性评估，提出基于格划分的递归方法识别关键状态（最小割集对应状态），计算LOLP上下界，在RBTS和RTS系统中比SE快100倍。
2025-10-10 cs.SY eess.SY
Solving Optimal Power Flow for Distribution Networks with State Estimation Feedback
传统的最优潮流（OPF）求解器假设所涉及的系统状态的完全可观性。然而，在实践中，配电网中缺乏可靠的系统监测装置。为了缩小理论算法设计与实际实现之间的差距，本文提出了一种基于状态估计（SE）反馈的配电网最优潮流问题的解决方法，该方法只对部分系统状态进行物理测量。SE反馈提高了欠测系统的可观测性，并在测量值有噪声时提供更准确的系统状态监测。我们分析研究所提出的算法的收敛性。数值结果表明，所提出的方法是更强大的大的伪测量变异性和固有的传感器噪声相比，没有SE反馈的其他框架。
2020-03-17 cs.SY eess.SY math.OC
Optimization-Based Bound Tightening using a Strengthened QC-Relaxation of the Optimal Power Flow Problem
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Clemson University（克莱姆森大学）
本文提出了一种强化的凸二次凸（QC）松弛方法用于最优功率流问题，并提出基于优化的边界紧缩（OBBT）算法，用于计算网络中每个节点的电压幅值变量和每个支路的相角差变量的紧致可行边界。还推导了强化QC松弛的理论性质，证明其优于文献中研究的其他QC松弛变种。通过在基准AC-OPF测试网络上的大量数值结果验证了强化QC松弛的有效性，结果表明所提松弛方法能持续提供最紧的变量边界和最优性间隙，且对运行时间影响 negligible。
2019-01-29 cs.SY eess.SY math.OC
Learning Regionally Decentralized AC Optimal Power Flows with ADMM
Georgia Institute of Technology（佐治亚理工学院）
下一代智能电网的一个潜在未来是使用分散式优化算法和安全通信来协调可再生发电（例如，风能/太阳能），可调度设备（例如，煤炭/天然气/核能发电）、需求响应、电池和存储设施以及拓扑优化。乘子交替方向法（ADMM）已被广泛应用于解决此类分散优化问题，特别是交流最优潮流（AC-OPF）。本文研究了机器学习如何帮助加速ADMM求解AC-OPF的收敛。它提出了一种新的分散式机器学习方法，即ML-ADMM，其中每个代理使用深度学习来学习耦合分支上的共识参数。本文还探讨了只从ADMM运行，表现出高品质的收敛性能的想法，并提出了过滤机制来选择这些运行。基于法国系统的测试用例的实验结果表明，该方法在加快ADMM的收敛显着的潜力。
2023-01-22 cs.LG cs.SY eess.SY
Power flow and optimal power flow using quantum and digital annealers: a computational scalability analysis
Delft University of Technology（代尔夫特理工大学）
本文提出基于量子和数字退火器的潮流与最优潮流分析方法，通过转换为组合优化问题，验证其在不同硬件上的计算可扩展性。
2026-03-08 cs.SY eess.SY
Towards Optimal Kron-based Reduction Of Networks (Opti-KRON) for the Electric Power Grid
对于快速时间尺度或长预测范围，交流最优潮流（OPF）问题成为大规模，现实的交流网络的计算挑战。为了克服这一挑战，本文提出了一种新的网络简化方法，该方法利用了一种有效的混合整数线性规划（MILP）公式，该公式基于克朗的简化在某种意义上是最优的，它平衡了简化网络中的建模误差与简化程度。该方法将完整的AC网络和预先计算的AC潮流数据库作为输入，并使用图拉普拉斯算子来约束节点约简仅对非约简节点的邻居可行。这导致在一个非常有效的MILP公式，它是嵌入在一个迭代方案，以连续改善克朗基网络减少，直到收敛。由此产生的最佳网络简化是基于整个网络的物理特性。网络简化方法的准确性，然后探讨了一个100+节点的中压径向配电馈线的例子在广泛的操作条件。最后表明，网络减少25-85%，可以在几秒钟内实现，最坏情况下的电压幅度偏差误差小于0.01 pu的任何超级节点集群。这些结果表明，提出的基于优化的方法来减少网络的Kron是可行的较大的网络，并适用于各种电力系统的应用。
2022-09-20 cs.SY eess.SY
Model predictive control of voltage profiles in MV networks with distributed generation
Politecnico di Milano（米兰理工大学）；RSE（意大利电力研究公司）
本文提出一种用于含分布式电源配电网的模型预测控制方法，通过分层结构协调优化潮流和电压调节，利用脉冲响应模型处理电压和无功功率约束，通过OLTC变压器应对不可行情况。
2013-11-14 cs.SY eess.SY
Tracing, Ranking and Valuation of Aggregated DER Flexibility in Active Distribution Networks
本文结合精确交流最优潮流模型与合作博弈，提出主动配电网中聚合分布式能源灵活性的溯源、排序和估值框架，并通过无交换约束和非线性度量帮助配电系统运营商识别不可靠运行区域。
2023-05-26 cs.SY eess.SY
Physics-Informed Neural Networks for AC Optimal Power Flow
Technical University of Denmark (DTU)（丹麦技术大学）
本文首次介绍了物理信息神经网络，以准确估计AC-OPF结果，并对其性能提供严格的保证。电力系统运营商以及其他一些参与者越来越多地将最优潮流（OPF）算法用于广泛的应用，包括规划和实时操作。然而，在其原始形式，交流最优潮流问题往往是具有挑战性的解决，因为它是非线性和非凸的。除了大量的近似和松弛，最近的努力也集中在机器学习方法，特别是神经网络。然而，到目前为止，这些方法仅部分考虑了训练期间可用的大量物理模型。而且，更重要的是，他们没有提供任何关于其输出的潜在约束违反的保证。我们的方法（i）在神经网络训练中引入交流潮流方程，（ii）集成了严格确定和减少整个输入域中最坏情况约束违反的方法，同时保持预测的最优性。我们展示了物理信息神经网络如何实现比标准神经网络更高的准确性和更低的约束违反，并展示了我们如何进一步减少所有神经网络的最坏情况违反。
2021-10-06 cs.LG cs.SY eess.SY
Learning-Accelerated ADMM for Distributed Optimal Power Flow
National Renewable Energy Laboratory（国家可再生能源实验室）；University of Colorado at Boulder（科罗拉多大学博尔德分校）
提出了一种新的数据驱动的方法，以加快收敛的交替方向法的乘数（ADMM）求解分布式直流最优潮流（DC-OPF）的线路之间的独立的网络分区共享。该方法利用给定系统在不同负载下ADMM轨迹的先前观测值，训练递归神经网络（RNN）来预测对偶变量和共识变量的收敛值。给出了一种新的系统负载实现，少量的初始ADMM迭代作为输入，以推断收敛值，并直接注入到迭代。我们的经验表明，这些值到ADMM迭代的在线注入加速收敛的分区14，118和2848总线测试系统在不同的负载情况下的一个重要因素。所提出的方法有几个优点：它保持了共识ADMM中固有的私有决策变量的安全性;推理速度快，因此可以用于在线设置; RNN生成的预测可以显着提高收敛时间，但通过构造，永远不会导致不可行的ADMM子问题;它可以很容易地集成到现有的软件实现中。虽然我们专注于ADMM制定分布式DC-OPF在本文中，所提出的想法自然扩展到其他分布式最优化问题。
2020-09-15 cs.LG cs.SY eess.SY
Federated Reinforcement Learning for Electric Vehicles Charging Control on Distribution Networks
East China Normal University（华东师范大学）；EPFL（洛桑联邦理工学院）；ShanghaiTech University（上海科技大学）；State Grid Beijing Electric Power Company（国网北京市电力公司）；Tsinghua University（清华大学）
针对EV充电控制中配电网功率流约束与驾驶员隐私问题，提出融合OPF下RDN的MDP建模方法及联邦深度强化学习算法FedSAC，提升策略多样性、稳定性、收敛与泛化表现。
2023-08-17 cs.LG cs.MA cs.SY
