恢复电力网格优化中的可行性：一种反事实机器学习方法-计算机科学-机器学习-深度学习-电力网络.pdfVIP

恢复电力网格优化中的可行性：一种反事实

机器学习方法

MostafaMohammadian,StudentMember,IEEE,AnnaVanBoven,StudentMember,IEEE,

andKyriBaker,SeniorMember,IEEE

摘要—电力网络是现代生活的重要组成部分，在满足工程[7]。尽管取得了这些进步，解决最优潮流问题仍然具有

约束和要求的同时，为终端用户提供可靠的电源。在电网操作挑战性，并且找到同时满足所有约束的解决方案可能并

中，最优潮流问题在确定成本效益的发电机调度以满足负荷需求非易事。这些限制凸显了需要建立强大的框架来系统地

和运行限制方面发挥着关键作用。然而，由于紧张的操作条件、

诊断、缓解并最终预防OPF领域中的不可行情况[8]。

波动的需求配置文件以及来自间歇性能源的增加发电量，这一优

化问题可能变得不可行，从而带来诸如电压不稳定和线路过载等当OPF问题变得不可行——表明没有解决方案满

本风险。本研究提出了一种结合机器学习与反事实解释的学习框足约束条件时——系统操作员面临着确保可靠性的重

译架，以自动诊断并恢复OPF问题中的可行性。我们的方法通过大挑战。诊断这些不可行的根本原因至关重要，然而传

系统地识别不可行条件并建议最小的需求响应措施来提供透明

统方法在提供解决不可行性的调整方面的见解有限。实

中且可操作的见解。我们在IEEE母线和母线系统上评估

2了所提出的方法，展示了其以高成功率恢复可行性的能力，并生际上，操作员通常不得不求助于手动干预或优化求解

v成多样化的纠正选项，适合实时决策。这些初步结果说明了结合器内的耗时“可行性修复”程序。例如，在重负载场景

9

6经典优化与可解释人工智能技术提升电网可靠性和韧性的潜力。（系统约束高度绑定）下，操作员可以通过引入动态线

3IndexTerms—最优潮流，深度学习，可行性，反事实示例。路评级或暂时放宽传输线约束[9]来减少传输线路的拥

6

0堵。或者，操作员可以调整电力注入以恢复可行性并防

.

4I.介绍止大范围停电，这需要一个耗时的数据后处理程序。

0

5LECTRIC电力网络是现代社会的重要组成部如上所述，大多数传统求解器需要很长时间才能识

2

:E分，确保了对工业、企业和居民消费者等终端别并解决大型电力系统中的不可行性问题。然而，为

v

i用户可靠供电[1]。电力系统运行的核心在于最优潮流防止电压不稳定和电网崩溃，必须快速解决这种不可

x

r（OPF）问题，在规划和实时决策中发挥着关键作用。行性。已有几篇论文研究了快速识别和定位不可行电

a

OPF旨在确定在满足波动负载需求的同时，遵守各种力网条件的技术。在[10],[11]中，使用等效电路公式

物理和工程约束条件下的最经济的发电调度方式。由于（ECF）来确定每个节点需要多少额外的电流以维持功

可再生能源注入的不稳定性、日益增加的电力消费以及率平衡。其他一些工作，如[12],[13]，则实施机器学习

对更严格的操作裕度的需求不断增加，OPF变得更为（ML）策略，在线路故障等意外事件发生时进行紧急负

复杂。此外，由于电网运营商经常需要接近安全限制操荷削减。这些技术比传统的优化求解器更快地识别和解

作以应对更高的负载情况，找到一个可行的OPF解决决电力系统的不可行性问题。然而，它们并不完全具有

方案变得更加困难[2]。规范性；这些工作中没有一个具体指定了需要削减的负

此前，在电力系统研究中，人们开发了各种技术以载的确切数量和位置以维持系统的可行性。

更好地