Towards economic NMPC for multi-stage AC optimal power flow
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文研究了将通用经济性NMPC方案的分析结果应用于滚动时域多阶段OPF的问题,提出了包含交流功率流方程的多阶段OPF蓝图公式,并展示了其 dissipativity 和 recursive feasibility 性质,通过5节点和118节点系统模拟来验证结果。
2018-12-07 cs.SY eess.SY
Prescribing Decision Conservativeness in Two-Stage Power Markets: A Distributionally Robust End-to-End Approach
针对两阶段电力市场运营成本优化问题,提出一种联合优化风电预测参数与DR-OPF决策保守性的端到端成本导向校准框架,经凸重构与包络定理实现高效梯度计算,支持分布式部署,在IEEE 5节点系统验证了有效性与高效性。
2024-12-13 cs.SY eess.SY
Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach
提出了一种基于堆叠式极端学习机(SELM)框架的数据驱动的最优潮流(OPF)算法。与深度学习算法相比,SELM具有快速的训练速度,并且不需要耗时的参数调整过程。然而,由于系统运行状态与最优潮流解之间的复杂关系,直接将SELM应用于最优潮流并不容易。为此,开发了一个数据驱动的OPF回归框架,将OPF模型特征分解为三个阶段。这不仅降低了学习的复杂性,而且有助于纠正学习偏差。基于主动约束识别的样本预分类策略也被开发,以实现增强的特征吸引力。IEEE和波兰基准系统的数值结果表明,所提出的方法优于其他替代品。它也表明,所提出的方法可以很容易地扩展到解决不同的测试系统,只需调整几个超参数。
2020-05-31 cs.NE cs.SY eess.SP
Modeling and Optimal Operation of Distributed Battery Storage in Low Voltage Grids
ETH Zurich(苏黎世联邦理工学院);University of Michigan(密歇根大学)
本文提出两级集中模型预测控制方案,通过鲁棒多期优化潮流和详细电池模型降低电池损耗,提升光伏利用效率。
2017-03-16 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
Data-Driven Stochastic AC-OPF using Gaussian Processes
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);AIRI(人工智能研究所);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
近年来,发电占美国温室气体排放量的四分之一以上。将大量可再生能源整合到电网中可能是减少电网碳排放和减缓气候变化的最可行方法。然而,风能和太阳能等可再生能源的波动性很大,给电网运行带来了很大的不确定性,对现有的优化和控制策略提出了挑战。机会约束的交流最优潮流(OPF)的框架找到最小成本的发电调度维持电网的安全范围内的操作与规定的概率。不幸的是,AC-OPF问题的机会约束扩展是非凸的,计算上具有挑战性,并且需要系统参数的知识和对可再生能源分配行为的额外假设。上述问题的已知线性和凸近似,虽然易于处理,但对于操作实践来说过于保守,并且没有考虑系统参数的不确定性。本文提出了一种基于高斯过程(GP)回归的替代数据驱动方法来弥补这一差距。GP方法学习一个简单但非凸的数据驱动近似的交流潮流方程,可以纳入不确定性输入。后者则被用来确定有效的CC-OPF的解决方案,通过占输入和参数的不确定性。所提出的方法使用不同的近似GP不确定性传播的实际效率说明了许多IEEE测试用例。
2022-07-21 cs.LG cs.SY eess.SY
Stochastic AC Optimal Power Flow: A Data-Driven Approach
为了在需求和发电不确定性不断增加的情况下保证电网的最优可靠运行,需要对随机交流最优潮流({AC-}OPF)进行有效求解。本文提出了一种高度可扩展的数据驱动算法的随机AC-OPF,具有极低的样本要求。该算法的性能背后的新颖性涉及到一个迭代的场景设计方法,该方法将系统中违反约束的信息与数据驱动的稀疏回归合并。与传统的随机场景采样方法相比,我们的方法能够为现实系统提供可行的操作点,具有低得多的样本要求。此外,在我们的方法中的多个子任务可以很容易地被替换,并基于历史数据,以提高其性能和应用。我们证明了我们的方法通过模拟不同的测试用例在IEEE PES PGLib-OPF基准库的计算改进。
2020-06-09 cs.SY eess.SY math.OC
Bridging Data-Driven and Model-Based Methods: A Learn-to-Optimize Architecture for Distributed Optimal Power Flow
提出一种将ADMM展开为深度神经网络并嵌入可微优化层的学习优化架构,实现分布式最优潮流的近瞬时可解释分布式决策,在最优性和可行性上优于现有数据驱动方法。
2026-06-18 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
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
Inertia-Aware Optimal Power Flow Using PINN in IBR-Dominated Power Systems
Know-Center Research GmbH(Know-Center研究有限公司);EPFL(洛桑联邦理工学院);University Graz(格拉茨大学);Aalto University(阿尔托大学)
针对可再生能源占主导且惯性低的电力系统最优潮流问题,提出基于物理信息神经网络(PINN)的框架,纳入位置感知惯性约束,经6GW测试系统验证,该框架能确保符合物理定律与惯性约束,产生高精度最优潮流解。
2026-07-13 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
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
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
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
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
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
A Two-Stage Decomposition Approach for AC Optimal Power Flow
交流最优潮流(AC-OPF)问题是电力系统运行和规划中的关键问题,但由于其非凸性和大规模性,通常很难求解。本文提出了一种可扩展的分解方法,将电力网络分解为主网络和多个子网络,每个网络都有自己的AC-OPF子问题。这形成了两阶段的最优化问题,并且只需要主网络和子网络之间的少量通信。的关键贡献是一个平滑技术,使一个子网络的响应微分相对于从主问题的输入,利用自然产生的障碍问题的制定时,子问题的原始-对偶邻点算法解决的属性。因此,现有的有效的非线性规划求解器可以用于主问题和子问题。该框架的优点是可以通过并行处理子网络来获得加速比,并且在合理的假设下具有收敛保证。该公式很容易扩展到随机子网负载的情况。数值结果显示了良好的性能,并说明了该算法的可扩展性,能够解决超过1100万总线的实例。
2020-06-10 cs.SY eess.SY math.OC
Neural Networks for AC Optimal Power Flow: Improving Worst-Case Guarantees during Training
Technical University of Denmark(丹麦技术大学);King Fahd University of Petroleum and Minerals(法赫德国王石油与矿物大学)
提出验证知情的神经网络框架,将最坏情况约束违规纳入训练,首次验证大规模AC-OPF代理所有运行约束,在57至793节点系统上实现可扩展、安全且实时的部署。
2026-10-07 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
On the Incorporation of Stability Constraints into Sequential Operational Scheduling
本研究模拟电力系统决策框架,分析将频率最低点和小信号稳定性约束纳入机组组合与交流最优潮流顺序阶段的必要性,发现UC中纳入约束对维持稳定至关重要,AC OPF中纳入可进一步提升稳定性指数。
2024-11-18 cs.SY eess.SY
Transient Stability-Driven Planning for the Optimal Sizing of Resilient AC/DC Hybrid Microgrids
本文提出暂态稳定驱动的交直流混合微电网最优容量配置规划框架,采用DAD架构与增强遗传算法求解,并结合TSC-OPF和李雅普诺夫优化实现静态与暂态稳定协同优化,验证了其在各类事故下获得经济有效投资决策的能力。
2025-07-23 cs.SY eess.SY
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
Constraints and Variables Reduction for Optimal Power Flow Using Hierarchical Graph Neural Networks with Virtual Node-Splitting
University of Houston(休斯顿大学)
本文提出虚拟节点分裂策略与两阶段自适应层次GNN,先预测拥塞线路再预测满负荷发电机,构建ROPLG模型以大幅削减OPF约束和变量,在保证最优解的同时显著降低计算时间。
2025-05-29 cs.LG cs.SY eess.SY
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
A Dataset Generation Toolbox for Dynamic Security Assessment: On the Role of the Security Boundary
本文提出一种生成靠近安全边界样本的新方法,兼顾交流可行性与小信号稳定性,并在PGLib-OPF系统上验证了包含边界相邻运行点对提升数据驱动动态安全评估性能的重要性。
2025-01-29 cs.SY eess.SY
AC-Network-Informed DC Optimal Power Flow for Electricity Markets
本文提出融合交流电网与市场信息的参数化DC-OPF二次近似,并用监督学习预测近优参数,在多测试系统中验证其精度、市场属性、可行性及N-1泛化能力。
2024-10-24 cs.SY eess.SY math.OC
Mitigating Multi-Stage Cascading Failure by Reinforcement Learning
GEIRI North America(美国GEIRI北美公司);Aalborg University(奥尔堡大学)
提出了一种基于强化学习(RL)方法的级联故障缓解策略。首先介绍了强化学习的基本原理。然后,多级级联故障(MSCF)的问题,并研究其挑战。该问题由基于DC-OPF(最优潮流)的RL来解决。RL框架的关键元素(奖励,状态等)的设计也进行了详细的讨论。在IEEE 118节点系统上,通过浅层和深层神经网络进行的实验表明,在降低系统崩溃率方面取得了可喜的结果。
2019-08-19 cs.LG cs.SY eess.SY
DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems
The Chinese University of Hong Kong(香港中文大学);City University of Hong Kong(香港城市大学);California Institute of Technology(加州理工学院)
可再生能源发电的高百分比渗透给电力系统带来了显著的不确定性。输电网和配电网的经济、可靠运行要求电网运营商更频繁地求解交流最优潮流问题。在本文中,我们开发了一种称为DeepOPF的深度神经网络(DNN)方法,用于在传统求解器使用的一小部分时间内解决AC-OPF问题。应用机器学习技术解决AC-OPF问题的一个关键困难在于确保获得的解决方案尊重等式和不等式物理和操作约束。推广了[1],[2]中的两阶段过程,DeepOPF首先训练DNN模型来预测一组独立的操作变量,然后通过求解潮流方程直接计算剩余的可靠变量。这种方法不仅保留了功率流平衡等式约束,而且减少了DNN预测的变量数量,减少了所需的神经元和训练数据的数量。然后,DeepOPF在训练过程中采用零阶梯度估计技术的惩罚方法来保留剩余的不等式约束。作为另一个贡献,我们根据所需的近似精度来调整DNN的大小,这可以衡量DNN的泛化能力。这为DNN解决AC-OPF问题提供了理论依据。IEEE 30/118/300节点和2000节点的仿真结果表明,与最先进的求解器相比,DeepOPF将计算时间加快了两个数量级,代价是$<$ 0.1%的成本差异。
2022-07-01 cs.LG cs.SY eess.SY
Unsupervised Learning for Equitable DER Control
本研究针对配电网分布式能源管理中的本地控制问题,提出融合公平性组件的无监督学习框架以逼近最优潮流解,经IEEE 37节点馈线仿真验证,兼具稳定性与更优性能且能促进功率注入公平性。
2024-03-17 cs.SY eess.SY
Ensemble learning based linear power flow
University of Central Florida(中佛罗里达大学)
本文提出了一种基于集成学习的潮流线性化方法,它不同于基于网络参数的直流(DC)潮流或其他扩展版本的线性化。作为一种基于数据挖掘的数据驱动线性化方法,该方法首先采用多项式回归(PR)作为基本学习器,在直角坐标系中获取作为自变量的母线电压与作为因变量的有功或无功功率之间的线性关系。然后,梯度提升(GB)和装袋集成学习方法的介绍,结合所有的基本学习器,以提高模型的性能。对拟合后的线性潮流模型进行了松弛处理,以计算最优潮流(OPF)。IEEE标准算例的仿真结果表明:(1)集成学习方法优于PR,GB优于Bagging;(2)数据驱动模型在求解最优潮流问题时,计算精度优于DC模型和SDP松弛法,运算速度优于ACOPF和SDPOPF。
2019-10-18 cs.LG 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
Gaussian Mixture Model Based Distributionally Robust Optimal Power Flow With CVaR Constraints
提出了一种考虑风力发电的输电网分布式鲁棒最优潮流模型。该模型采用条件风险价值(CVaR)约束来控制风电功率预测误差引起的备用和支路流量限制违规。同时,将高斯混合模型(GMM)引入CVaR约束中,以防止预测误差的非高斯分布。与以往研究中考虑GMM参数固定的情况不同,本文允许GMM参数在一定的可信区间内变化,并提出了一种基于数据驱动的GMM模糊度集,以实现分布式鲁棒性。此外,而不是使用传统的基于样本的近似CVaR的高计算负担,本文设计了一个可扩展的切割平面算法来处理分布鲁棒CVaR约束。IEEE 2736节点系统的算例表明了该模型的有效性和可扩展性。
2021-10-26 cs.SY eess.SY math.OC
Ensemble Learning Based Convex Approximation of Three-Phase Power Flow
虽然凸优化方法在电力系统中得到了广泛的应用,但对于某些问题,它仍然不能保证得到严格(精确)的解。为了解决这个问题,本文提出了一种基于集成学习的交流潮流方程的凸逼近,不同于现有的凸松弛。该方法基于直角坐标系下的二次潮流方程,适用于平衡和不平衡三相电网。为了开发这种数据驱动的潮流凸近似,首先部署多项式回归(PR)作为基本学习器来拟合自变量和因变量之间的凸关系。然后,集成学习算法,如梯度提升(GB)和装袋,结合学习器,以提高模型的性能。基于潮流的学习凸逼近,将最优潮流问题转化为凸二次规划问题。IEEE标准算例的仿真结果表明,在求解最优潮流问题时,所提出的数据驱动凸逼近算法在精度和计算效率上均优于传统的SDP松弛算法,尤其是在传统SDP松弛算法失效的情况下.
2020-05-15 cs.LG cs.SY eess.SY
Distributionally Robust Joint Chance-Constrained Optimal Power Flow using Relative Entropy
针对机会约束最优潮流问题,提出基于分布式鲁棒优化的精确重构算法,证明其样本外鲁棒性最优,并在IEEE基准系统上验证有效性。
2025-01-21 cs.SY eess.SY math.OC
Fast Diffusion with Physics-Correction for ACOPF
Indian Institute of Technology Roorkee(印度理工学院罗尔基)
本文提出一种基于DDIM的快速扩散框架,结合物理引导修正,实现高效生成大规模物理一致的ACOPF数据集。
2026-02-03 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
Efficient Creation of Datasets for Data-Driven Power System Applications
数据驱动方法的进步激发了人们对电力系统应用的新兴趣。为这些方法的成功应用创建数据集已被证明是非常具有挑战性的,特别是在考虑电力系统安全性时。本文提出了一种计算效率高的方法来创建安全和不安全的操作点的数据集。我们提出了一种基于分离超平面的不可行性证书,可以先验地将输入空间的大部分描述为不安全的,从而显着减少计算时间和问题大小。我们的方法可以处理数量级更多的控制变量,并创建安全和不安全操作点的平衡数据集,这对于数据驱动的应用程序至关重要。虽然我们专注于N-1安全和不确定性,我们的方法可以扩展到动态安全。对于PGLib-OPF网络多达500总线和多达125个控制变量,我们证明了未分类的输入空间体积和计算时间的大幅减少,创建平衡的数据集,并评估说明性的数据驱动的应用程序。
2020-04-14 cs.SY eess.SY math.OC
Scalable Two-Stage Stochastic Optimal Power Flow via Separable Approximation
Washington State University(华盛顿州立大学)
本文提出SPAR-OPF框架解决电力系统两阶段随机优化问题,通过可分离分段线性近似价值函数并基于样本次梯度学习,经两种公式建模比较及统计方法评估,以分布式发电选址定容为例验证,精度超98%、最优性差距<1%且在大系统中高效可扩展。
2025-09-24 cs.SY eess.SY math.OC
PowerModels-ACOPF-AI: On-the-Fly Machine Learning Approach for Solving AC Optimal Power Flow Integrating Renewable Energy Sources
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出PowerModels-ACOPF-AI,一种两阶段贝叶斯神经网络代理模型,结合即时学习机制动态重训练,以快速求解含可再生能源的交流最优潮流问题,并在多规模基准网络上验证了其泛化能力与不确定性预测性能。
2026-09-18 cs.SY eess.SY
Fair Dynamic Operating Envelopes using Distributed Multi-Period Optimal Power Flow and Jain Index for Active Distribution Networks
Federal University of Paraná (UFPR)(巴拉那联邦大学)
本文针对主动配电网,提出两阶段多时段框架,结合分布式多时段最优潮流与Jain指数,实现公平动态运行 envelopes,在控制弃电与保障公平的同时满足运行约束。
2026-10-27 cs.CE cs.SY eess.SY
An Efficient Learning-Based Solver for Two-Stage DC Optimal Power Flow with Feasibility Guarantees
Microsoft Research Asia(微软亚洲研究院);Base Power(贝斯电力公司);University of Washington(华盛顿大学)
针对负荷不确定下两阶段随机直流最优潮流的计算难题,提出融入gauge map技术的学习方法,保证解的网络约束可行性,在IEEE系统上实现了解的高质量与计算速度的数量级提升。
2024-09-16 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
Decentralized control methodology for multi-machine/multi-converter power systems
本研究提出一种混合电机-换流器电网的分散同步控制框架,通过模型匹配扩展摇摆方程,实现频率同步及OPF设定点的角度和电压稳定,并讨论分散化问题,经两/三母线系统实验验证。
2023-11-24 cs.SY eess.SY
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
Two-stage Robust Energy Storage Planning with Probabilistic Guarantees: A Data-driven Approach
本文讨论了一个中心的挑战,共同考虑短期(如每小时)和长期(如每年)的不确定性,在电力系统规划与可再生能源和存储资源的渗透增加。在传统的规划决策中,短期(例如,每小时)的变化没有明确地说明。然而,由于可变资源的渗透日益加深,在较长期的规划工作中考虑这种较短期的变化已变得势在必行。通过利用大量的运营观测数据,我们提出了一个基于ARGO的稳健规划框架,该框架考虑了广泛的运营条件,如可再生能源发电波动和负荷变化,为规划决策的未来运营风险提供了严格的保证。通过将两阶段鲁棒优化与情景方法理论相结合,我们证明了在精心选择的情景数量下,鲁棒解的操作风险水平可以适应规划者的风险偏好。理论保证适用于任何分布,所提出的方法是可扩展的现实世界的电网。此外,列和约束生成算法被用来解决两阶段的鲁棒规划问题,收紧理论保证。我们证实了这一框架,通过规划问题的能量存储在电网与深度可再生能源渗透。最后通过对大规模测试系统(改进的IEEE 118节点系统)的算例分析,验证了算法的理论界和可扩展性。
2021-09-10 cs.SY eess.SY
Feature-Driven Strategies for Trading Wind Power and Hydrogen
本文提出特征驱动的混合电厂交易模型,利用风电历史预测等上下文信息优化日前风电与氢能交易,并结合实时调整策略,使最终利润接近完美信息基准。
2024-03-29 cs.SY eess.SY
Data-Driven Two-Stage Distributionally Robust Dispatch of Multi-Energy Microgrid
本文针对多能源微电网供需不确定性,提出基于Wasserstein模糊集的数据驱动两阶段分布鲁棒调度方法,并开发高效分解算法以降低计算负担,数值实验验证了其有效性与计算优势。
2025-04-13 cs.SY eess.SY math.OC
Data-Driven Track Following Control for Dual Stage-Actuator Hard Disk Drives
本文提出一种频域数据驱动反馈控制设计方法,直接利用频率响应测量数据设计双级执行器硬盘驱动器的跟踪控制器,通过 H 无穷和 H2 范数约束优化扰动抑制并确保闭环稳定性与鲁棒性。
2023-04-03 cs.AR cs.SY eess.SY
On Asymptotic Analysis of the Two-Stage Approach: Towards Data-Driven Parameter Estimation
本文首次对基于仿真和合成数据的两阶段估计器进行渐近分析,在简单假设下证明其具有强一致性与渐近正态性,为这类数据驱动参数估计方法提供了理论保证。
2025-08-25 cs.SY eess.SY math.ST
Data-driven Reference Trajectory Optimization for Precision Motion Systems
ETH Zürich(苏黎世联邦理工学院);Inspire AG(Inspire股份公司)
我们提出了一种基于数据驱动优化的预补偿方法,通过修改参考轨迹来提高精密运动平台的轮廓跟踪性能,而无需修改任何内置的低级控制器。精密运动平台的位置用数据驱动模型预测,线性低保真度模型用于优化遍历时间,通过改变路径速度和加速度曲线,然后非线性高保真模型用于细化先前找到的时间最优解。我们的实验表明,所提出的方法是能够同时提高高精度运动平台的生产率和精度。鉴于模型的数据为基础的性质,所提出的方法可以很容易地适应广泛的家庭的精密运动系统。
2022-09-05 cs.RO cs.SY eess.SY
LLM-Driven, Datasheet-Aware Automated Hardware Compatibility Verification for Early-Stage, Pre-Schematic Embedded System Design
University of Michigan(密歇根大学)
该研究提出一种LLM驱动的支持数据手册感知的自动化硬件兼容性验证框架,在早期嵌入式系统设计中实现97.5%的验证准确率,较“上传并查询”工作流减少8.6倍输入上下文大小,验证了模块化任务分解等方法的益处。
2026-10-30 cs.AI cs.SY eess.SY
Data-driven control of linear systems using quantized data
Rutgers University–New Brunswick(罗格斯大学新布朗斯维克分校)
本文提出一种基于量化数据的数据驱动控制方法,通过两阶段设计(构建SDP和基于李雅普诺夫的量化器更新)实现未知线性系统的指数镇定,并保证量化单元数量有限。
2026-10-06 cs.SY eess.SY math.OC
Upgrading SPHERE with the second stage AO system SAXO+: frequency-based data-driven controller for adaptive optics
本研究提出一种基于频率的自适应光学数据驱动控制器,通过凸优化实现无限脉冲响应滤波器形式的最优控制,经SAXO+项目多场景测试及COMPASS仿真验证,可有效提升自适应光学系统性能。
2024-10-07 astro-ph.IM cs.SY eess.SY