AC-OPF Feasibility Analysis and Sensitivity-Guided Capacitor Placement in a High-PV Islanded Microgrid
Massachusetts Institute of Technology(麻省理工学院)
本文在数字孪生框架下对高光伏渗透率的城市级微电网进行AC最优功率流对比研究,通过灵敏度分析指导电容器布置以提升可靠性与经济性。
2026-04-15 cs.SY eess.SY
Reduced Optimal Power Flow Using Graph Neural Network
University of Houston(休斯顿大学)
本文提出用图神经网络预测关键线路,构建简化最优潮流(ROPF)问题,在保持解质量的同时显著降低计算时间。
2022-06-27 cs.LG cs.SY eess.SY
Reliability Value of Long-Duration Energy Storage against Extreme Events in High-Renewable Grids: A Full-Year AC-OPF Assessment
Massachusetts Institute of Technology(麻省理工学院);Yonsei University(延世大学);Ewha Womans University(梨花女子大学)
本文提出多时段交流最优潮流模型,评估长时间储能在高可再生能源电网中应对极端事件的可靠性价值,在200母线系统上使年度减载平均降低83.0%,并保障N-1事故下的运行可行性。
2026-09-09 cs.SY eess.SY
DiffOPF: Diffusion Solver for Optimal Power Flow
本文提出DiffOPF,一种基于扩散的最优功率流求解器,通过学习负载和调度设置的联合分布,实现条件采样,以处理系统参数变化带来的多解性问题。
2026-03-13 cs.AI cs.SY eess.SY
Evaluating the Impact of a Load Admittance Approximation in Transient Stability-Constrained Optimal Power Flow
Technical University of Madrid (UPM)(马德里理工大学)
本文提出一种基于电压的负荷导纳近似方法,用于简化TSC-OPF中的Kron降阶计算,并在WECC 9节点系统上验证其能准确复现转子动态、降低实现难度并缓解收敛问题。
2025-11-07 cs.SY eess.SY
Toward More Accurate and Robust Optimal Power Flow for Distribution Systems
针对配电网最优潮流的准确性与鲁棒性问题,提出利用负荷及分布式能源的最坏情况预测、潮流灵敏度动态调压约束,结合分相元件与变压器铁损模型的方法,经GridLAB-D仿真验证有效。
2023-10-09 cs.SY eess.SY
A Differentially Private Quantum Neural Network for Probabilistic Optimal Power Flow
针对概率最优潮流求解中的隐私泄露风险,提出融合高斯噪声实现(ε,δ)-差分隐私、引入强纠缠量子态增强表达性的隐私保护量子神经网络,在参数量大减90%的同时提升了准确率与稳定性。
2024-12-15 cs.SY eess.SY
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
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
Sorta Solving the OPF by Not Solving the OPF: DAE Control Theory and the Price of Realtime Regulation
本文提出用基于DAE Lyapunov理论的实时反馈控制器替代ACOPF求解,在保证暂态稳定且无约束违反的前提下获得近似最优解,并分析了实时调节的代价。
2024-06-10 cs.SY eess.SY
Learning Optimal Solutions for Extremely Fast AC Optimal Power Flow
National Renewable Energy Laboratory(国家可再生能源实验室);University of Colorado Boulder(科罗拉多大学博尔德分校)
在本文中,我们开发了一种在线方法,该方法利用机器学习来获得AC最优潮流(OPF)问题的可行解,在极快的时间尺度上具有可忽略的最优性间隙(例如,毫秒),完全绕过求解AC OPF。这是由以下事实推动的:随着电网经历越来越多的可再生发电量、可控负载和其他逆变器接口设备,可能发生更快的系统动态和更快的电力供应波动。目前,电网运营商通常每15分钟求解一次AC OPF,以确定经济的发电机设置,同时确保满足电网约束。由于解决这个非凸问题的计算挑战,许多努力都集中在线性化或近似的问题,以解决更快的时间尺度上的AC OPF。然而,这些近似中的许多可能是实际系统状态的相当差的表示,并且仍然需要解决优化问题,这对于大型网络来说可能是耗时的。在这项工作中,我们利用历史数据来学习系统负载和最佳发电值之间的映射,使我们能够在非常快的时间尺度上找到接近最佳和可行的AC OPF解决方案,而无需实际解决优化问题。
2019-09-27 cs.LG cs.SY eess.SP
Carbon-Aware Optimal Power Flow with Data-Driven Carbon Emission Tracing
University of California Riverside(加州大学河滨分校)
本文提出一种数据驱动碳排放追踪的碳感知最优潮流框架,通过线性约束集成碳排放公式,实现快速估算节点碳排放并优化调度,仿真验证其准确性和效率。
2025-10-27 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 Optimal Power Flow on a Data-Budget: Feature Selection on Smart Meter Data
本文提出一种OPF数据蒸馏框架,通过仅采集部分节点的智能电表数据并利用稀疏正则化凸优化或双层规划重建完整数据,在降低数据通信量的同时保持最优潮流解的保真度与可行性。
2025-07-18 cs.SY eess.SY
ML-OPF-Bench: Benchmarking Machine Learning for Optimal Power Flow
Dartmouth College(达特茅斯学院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Alberta(阿尔伯塔大学)
提出ML-OPF-Bench统一基准,评估机器学习求解最优潮流,发现精度非可行性指标,后处理关键,揭示速度-精度-可行性权衡,开源Python包。
2026-10-06 cs.LG cs.SY eess.SY
MPA-DNN: Projection-Aware Unsupervised Learning for Multi-period DC-OPF
Korea Institute of Energy Technology(韩国能源技术研究院)
针对深度神经网络在含高比例可再生能源和储能的电力系统中难以满足多时段运行约束的问题,提出融入投影层的MPA-DNN,实现无监督端到端学习,在保证严格满足约束的同时达到近最优性能。
2025-10-10 cs.SY eess.SY
Research on OPF control of three-phase four-wire low-voltage distribution network considering uncertainty
针对低压配电网三相不平衡等不确定性挑战,提出基于鲁棒随机优化的最优潮流控制方法,利用历史数据与深度学习无需通信即可有效控制电压电流幅值并最小化运行成本与不平衡。
2024-04-24 cs.SY eess.SY
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
Physics-Informed Gradient Estimation for Accelerating Deep Learning based AC-OPF
针对交流最优潮流问题中神经网络更新频繁、数据准备耗时长的需求,提出带数据增强的半监督框架与批量均值梯度估计方法,可加速训练并得到可行近优解,适用于实时OPF场景。
2025-02-22 cs.SY eess.SY
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
Power grid operational risk assessment using graph neural network surrogates
Vanderbilt University(范德堡大学)
研究利用图神经网络作为最优潮流和安全约束机组组合算法的代理模型,通过蒙特卡洛抽样生成训练数据,实现电网运行风险的快速准确量化,结果表明该方法在实时和提前数小时风险评估中具有应用潜力。
2023-11-21 cs.LG cs.SY eess.SY
Physics-Informed Graph Learning Acceleration for Large-Scale AC-OPF with Topology Changes
Sogang University(西江大学);Korea Power Exchange(韩国电力交易所);Korea Electrotechnology Research Institute(韩国电气技术研究院)
提出GraphOPF框架,通过图神经网络结合物理信息,实现大规模电力系统拓扑变化下AC-OPF的快速求解,训练速度提升200倍,求解速度提升66倍,可行性超过99%。
2026-06-04 cs.SY eess.SY
DeepOPF-U: A Unified Deep Neural Network to Solve AC Optimal Power Flow in Multiple Networks
The Chinese University of Hong Kong(香港中文大学)
本文提出统一深度神经网络 DeepOPF-U,通过弹性输入输出层设计,使单一模型能够求解拓扑和规模不断扩展的多个交流最优潮流问题,并在 IEEE 标准测试系统上验证了其优于现有 DNN 方法的性能。
2023-09-22 cs.LG cs.SY eess.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
Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow
Technical University of Denmark(丹麦技术大学)
本文介绍了一个框架,捕捉以前棘手的优化约束,并将其转换为一个混合整数线性规划,通过使用神经网络。我们编码的可行空间的优化问题,其特征在于易于处理和难以处理的约束,例如微分方程,神经网络。利用神经网络的精确混合整数重构,我们解决了混合整数线性规划,这些规划精确地近似了最初棘手的非线性优化问题的解决方案。我们将我们的方法应用于交流最优潮流问题(AC-OPF),其中直接包括动态安全约束使得AC-OPF难以处理。我们提出的方法有可能比传统方法更具可扩展性。我们展示了我们的方法电力系统操作考虑N-1安全和小信号稳定,显示它如何能够有效地获得成本最优的解决方案,同时满足静态和动态的安全约束。
2022-07-14 cs.LG cs.SY eess.SY
On the Choice of Loss Function in Learning-based Optimal Power Flow
本研究对比了求解交流最优潮流的机器学习模型的两种损失函数,提出结合拉格朗日对偶的改进训练算法与特定结构神经网络,以提升决策可行性并降低次优性,经IEEE 39节点案例验证有效。
2024-02-01 cs.SY eess.SY math.OC
Neural Network Certification Informed Power System Transient Stability Preventive Control with Renewable Energy
针对含可再生能源和负荷不确定性的TSC-OPF,本文利用DBN替代时域仿真并嵌入内点法,结合α, β-CROWN认证动态调整安全裕度,实现低成本且经安全验证的预防控制。
2024-11-13 cs.SY eess.SY
Enhanced Optimal Power Flow Using a Trained Neural Network Surrogate for Distribution Grid Constraints
Cyprus University of Technology(塞浦路斯科技大学);Electricity Authority of Cyprus(塞浦路斯电力局)
本文提出利用训练好的神经网络代理替代非线性潮流-电压映射,以提高配电网约束下的最优潮流计算效率和精度。
2026-04-14 cs.SY eess.SY
gridfm-datakit-v1: A Python Library for Scalable and Realistic Power Flow and Optimal Power Flow Data Generation
IBM Research(IBM研究院);ETH Zurich(苏黎世联邦理工学院);RSE S.p.A.(RSE公司);Hydro-Québec Research Institute(魁北克水电研究所);Argonne National Laboratory(阿贡国家实验室);Harvard University(哈佛大学);Stony Brook University(石溪大学);Brookhaven National Laboratory(布鲁克海文国家实验室)
gridfm-datakit-v1是一种用于生成真实且多样化的功率流和最优功率流数据集的Python库,旨在提升机器学习求解器的泛化能力。
2025-12-16 cs.AI cs.LG cs.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
On the Tightness of Convex Optimal Power Flow Model Based on Power Loss Relaxation
最优潮流是电力系统运行的基本数学模型。提高最优潮流解的质量具有巨大的经济效益和工程效益。对原有的非凸交流最优潮流(ACOPF)模型进行凸重构,可以有效地求解ACOPF的全局最优解,但存在松弛间隙。由于交流不可行问题,松弛间隙的存在阻碍了凸最优潮流的实际应用。本文对凸ACOPF模型的紧致性进行了评价和改进。在评估中考虑了各种电力网络和节点负荷。用Julia语言实现了一个统一的评价框架。该评估显示了松弛间隙的敏感性,并有助于对所提出的紧密性增强方法(TRA)进行基准测试。建议TRA是基于罚函数法,惩罚的目标函数的凸ACOPF模型的功率损失松弛。提出了一种启发式惩罚算法,以找到合适的罚参数的TRA。数值结果表明,松弛间隙存在于测试用例中,特别是对于大规模的电力网络在低节点功率负荷。TRA能有效地减小凸ACOPF模型的松弛间隙。
2021-09-01 cs.SY eess.SY math.OC
Optimal Power Flow Using Graph Neural Networks
最优潮流是电力系统中最重要的优化问题之一。在其最简单的形式中,OPF试图找到电网内的发电机必须产生的最佳功率,以满足给定的需求。最优性是相对于每个发电机产生这种电力的成本来衡量的。由于发电的正弦性质,OPF问题是非凸的,因此难以求解。使用小角度近似会导致称为DC OPF的凸问题,但当电网负载很重时,这种近似不再有效。许多近似的解决方案已经提出,但这些都没有规模的大型电力网络。在本文中,我们提出使用图神经网络(这是本地化的,可扩展的参数化网络数据)训练下的模仿学习框架,以近似给定的最优解。虽然最优解的成本很高,但它只需要针对训练集中的网络状态进行计算。在测试期间,GNN充分学习如何计算OPF解决方案。在IEEE-30和IEEE-118测试用例上进行了数值实验。
2019-10-21 cs.SY eess.SY
Smoothed Two-Stage Decomposition Algorithm for Solving Large-Scale Transmission and Distribution AC-OPF Problems
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Northwestern University(西北大学)
针对分布式能源资源集成带来的大规模输配电交流最优潮流问题,提出平滑两阶段分解优化器,通过分解问题结构并行求解,不依赖近似或松弛,经实验验证求解时间减少、可扩展性增加,有效助力DER集成。
2026-07-21 cs.SY eess.SY math.OC
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
Scalable Self-Supervised Learning for Multiphase AC-OPF in Distribution Systems with Topology Reconfiguration
Massachusetts Institute of Technology(麻省理工学院);GE Vernova Advanced Research Center(GE Vernova先进研究中心)
该研究提出Penalty+SLFS自监督学习算法,用于含拓扑重构的配电网多相AC-OPF,在IEEE馈线上比IPOPT快三个数量级,实现可忽略最优间隙与近零约束违反,为大规模配电网实时AC-OPF提供可行方案。
2026-09-03 cs.LG cs.SY eess.SY
DeepOPF: Deep Neural Network for DC Optimal Power Flow
The Chinese University of Hong Kong(香港中文大学)
本文提出DeepOPF,一种深度神经网络方法,用于解决直流最优功率流问题,通过学习负荷输入与调度和传输决策之间的高维映射,提高计算效率并减少计算时间。
2020-09-23 cs.SY eess.SY
Differentially Private Load Restoration for Microgrids with Distributed Energy Storage
分布式储能系统(ESS)可以有效地用于孤岛模式下微电网(MG)的负荷恢复(LR)。当ESS由第三方而不是MG运营商(MGO)拥有时,ESS操作设定点可以被认为是它们各自所有者的私有信息。因此,必须努力避免通过对负荷设定点进行对抗性分析来披露。在他的论文中,我们考虑的情况下,LR发生在MG通过确定负载和ESS功率注入通过AC最优潮流(AC-OPF)问题的解决方案。由于充电/放电模式在任何给定的时间被假定为私人的,我们开发了一个不同的私人机制,恢复负载,同时保持隐私的ESS模式数据。所提出的机制的性能表现为33总线MG。
2022-04-29 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
Experimental Validation of Feedback Optimization in Power Distribution Grids
我们认为,使用逆变器的无功功率能力的配电馈线的电压控制的问题。在一个真正的配电网,我们比较了本地电压/无功下垂控制建议在最近的电网规范,集中调度的基础上最优潮流(OPF)规划,和反馈优化(FO)控制器,我们提出。局部下垂控制产生次优调节,分析预测。基于OPF的调度策略需要精确的电网模型和馈线上所有负载的测量,以实现适当的电压调节。然而,在实验中,基于OPF的策略违反了电压约束,由于不可避免的模型失配和不确定性。我们提出的FO控制器,另一方面,满足约束条件,不需要负载测量或任何电网状态估计。唯一需要的模型知识是电压相对于无功功率的灵敏度,这可以从数据中获得。正如我们所展示的,这些灵敏度的近似值也是足够的,这使得该方法基本上是无模型的,易于调整,与当前的传感和控制基础设施兼容,并且对测量噪声具有显著的鲁棒性。我们期望这些属性是电力系统的FO的基本特征,而不是特定于电压/无功调节或配电网。
2022-07-21 cs.SY eess.SY math.OC
Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation
本文提出一种统一异构残差门控图卷积网络,通过共享主干同时求解潮流、最优潮流和状态估计,在IEEE 14和118节点系统上达到与专用求解器相当的精度,并具备鲁棒性,为电力系统基础模型奠定基础。
2026-09-16 cs.LG cs.SY eess.SY
Advancing Hybrid Quantum Neural Network for Alternative Current Optimal Power Flow
提出一种混合经典-量子深度学习框架,结合参数化量子电路与物理信息神经网络,通过残差连接缓解贫瘠高原问题,在IEEE测试系统上实现高精度、强泛化且抗量子噪声的AC-OPF求解。
2025-02-27 cs.SY eess.SY
Worst-Case Sensitivity of DC Optimal Power Flow Problems
在本文中,我们考虑的问题,分析的影响,在负载矢量的变化可以在直流潮流模型的最佳发电。该方法是基于最近推出的概念的$\mathcal{OPF}$运营商。结果表明,对于一般的网络拓扑结构计算的最坏情况下的灵敏度是计算棘手的。然而,我们表明,某些问题涉及的$\mathcal{OPF}$运营商可以等价地转换为一个图形的离散最优化问题。使用离散公式,我们提供了一个分解算法,降低了计算最坏情况下的灵敏度的计算成本。一个27节点的算例来说明我们的结果。
2020-04-03 cs.SY eess.SY math.OC
A Computationally Efficient Method for Solving Mixed-Integer AC Optimal Power Flow Problems
University of Kassel(卡塞尔大学);Fraunhofer IEE(弗劳恩霍夫电气能源系统研究所)
针对混合整数交流最优潮流问题求解困难,提出迭代收缩法,通过连续松弛与整数消除,线性复杂度下提升解精度,适用于实际应用。
2025-06-23 cs.SY eess.SY math.OC
Second-Order Cone Relaxations of the Optimal Power Flow for Active Distribution Grids
交流最优潮流(OPF)问题的凸松弛不仅对于确定全局最优解是必不可少的,而且对于在双层规划和带平衡约束的数学规划(MPEC)中使用OPF公式也是必不可少的,这需要解决诸如输配电系统运营商之间的协调(TSO/DSO)或最优网络投资等问题。针对主动配电网和辐射状网络,本文介绍了一个框架,收集和比较,第一次我们所知,最有前途的凸OPF配方的实际应用的性能。我们的目标是建立一个坚实的基础,为不同的应用选择最合适的算法。本文(一)介绍了一个统一的数学和仿真框架,(二)扩展现有的方法,以保持准确性,在更广泛的情况下,(iii)考虑无功功率注入。我们进行模拟IEEE 34和123径向测试馈线与分布式能源(DER),每年的太阳辐射和负载数据。
2020-06-22 cs.SY eess.SY math.OC
Distributed Optimal Power Flow for Smart Microgrids
University of Minnesota(明尼苏达大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对不平衡微电网,提出基于半定规划松弛和交替方向乘子法的分布式最优潮流算法,以最小化配电损耗或供电成本并实现电压调节。
2014-01-25 cs.SY eess.SY math.OC
Privacy-Preserving Obfuscation for Distributed Power Systems
研究了分布式电力系统中隐私保护负荷数据的发布问题。本文的重点是用于解决最优潮流(OPF)问题的数据,并提出了一种分布式算法,符合差分隐私的概念,一个强大的隐私框架,用于约束重新识别的风险。这个问题是具有挑战性的,因为传统的差分隐私机制的应用程序的负载数据从根本上改变了基本的最优化问题的性质,往往会导致严重的可行性问题。该算法基于乘法器的交替方向法(ADMM),保证了所发布的隐私保护数据保持高保真度,并满足交流潮流约束。在多种OPF基准上的实验结果证明了该方法的有效性。
2019-10-07 cs.CR cs.MA cs.SY
A Novel Fully Informed Water Cycle Algorithm for Solving Optimal Power Flow Problems in Electric Grids
最优潮流(OPF)是电网规划和运行的重要工具。线流约束、发电机负荷效应、分段费用函数、排放和电压质量成本使得最优化模型非凸且求解计算繁琐。解决问题的元启发式技术已经成为一个很有前途的解决方案,以解决复杂的最优潮流问题。近年来,水循环算法(WCA)被提出来用于求解最优化问题,它是一种基于水循环过程观测和地表径流模型的方法。提出了一种改进的WCA算法,该算法利用个体之间共享全局和局部信息的概念,提高了WCA算法的开发能力。所谓的完全知情的WCA(FIWCA)进行测试,对标准的WCA和其他元启发式技术在IEEE 30和57总线系统的各种情况下的文献研究。比较和讨论文献中研究的元分析方法的性能和可靠性。优化结果表明,与WCA算法和其他算法相比,FIWCA算法具有更好的性能,特别是在重复次数的稳定性方面。因此,它成为一个工具,解决OPF在一个可靠和有效的方式。
2019-09-19 cs.SY eess.SY math.OC
A Cherry-Picking Approach to Large Load Shaping for More Effective Carbon Reduction
Google(谷歌);Electric Power Engineers(电力工程师公司)
本文提出了一种基于可观察电网信号和历史数据的 cherry-picking 方法,用于优化大规模负载塑形以提高碳减排效果。
2026-11-18 cs.LG cs.SY eess.SY
Towards Distributed Energy Services: Decentralizing Optimal Power Flow with Machine Learning
AI Now Institute at New York University(纽约大学AI现在研究所);Energy & Resources Group at UC Berkeley(伯克利大学能源与资源组)
本文提出了一种基于机器学习的去中心化方法,通过本地可用信息学习可控分布式能源资源(DER)的控制策略,以重构和模仿集中式最优功率流(OPF)问题的解决方案,从而实现分布式能源服务。
2019-08-13 cs.AI cs.IT cs.LG
Impact of Load Models on Power Flow Optimization
Carnegie Mellon University(卡内基梅隆大学)
本文研究了不同负荷模型对最优功率流解的影响,发现相同的真实和无功功率可能对应不同的电网运行点,通过最大功率传输定理衍生的指标评估了聚合模型的局限性,并利用卡内基梅隆校园数据证明负荷模型类型对解集点有显著影响。
2019-04-09 cs.SY eess.SP eess.SY
Robust AC Transmission Expansion Planning with Load and Renewable Generation Uncertainties
随着可再生能源(RESs)的集成,电力网络必须具有鲁棒性,以处理系统的不确定性场景。直流输电扩展规划(TEP)计划通常不适用于交流网络。本文首次提出了一种具有负荷和RESs发电量不确定性的AC TEP双层鲁棒优化(RO)求解方法。它利用了一个众所周知的凸松弛,并解决了弯曲分解(BD),其中主确定强大的AC TEP计划。一种新的双从模型开发的第二个层次的BD,它绕过了使用圆锥对偶理论(CDT)的问题,并在最坏情况下实现的不确定性,使用一组新的约束。开发的双从不是一个混合整数的问题,并使用原始对偶内点法(PDIPM)解决。所提出的工作还使用额外的线性约束,以减少BD的计算负担,并直接对最优的主人。基于蒙特卡罗仿真(MCS)的验证,通过实际的非线性和非凸AC最优潮流(OPF),证明了TEP计划的所有场景的100%的鲁棒性。
2021-08-26 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
Cut-set and Stability Constrained Optimal Power Flow for Resilient Operation During Wildfires
提出一种割集与稳定性约束最优潮流,集成可行性测试算法和数据驱动暂态稳定性分析器,通过发电再调度和负荷削减,在IEEE 118节点系统上验证了其能降低野火脆弱性并最小化运行成本。
2024-04-19 cs.SY eess.SY
Enhance Low-Carbon Power System Operation via Carbon-Aware Demand Response
本文提出集成碳感知需求响应(C-DR)机制的电力调度优化模型,基于碳感知最优潮流方法结合KKT重构与迭代算法求解双层调度问题,有效促进了电力系统脱碳。
2024-07-28 cs.SY eess.SY