DeepOPF-U: A Unified Deep Neural Network to Solve AC Optimal Power Flow in Multiple Networks

要約

最適電力潮流 (OPF) を解決するための従来の機械学習モデルは、ほとんどが特定の電力ネットワーク向けにトレーニングされており、トポロジーが変化し、プラグ アンド プレイの分散型エネルギー リソース (DER) が増加している今日の電力ネットワークへの汎用性が欠けています。
この論文では、1 つの統合ディープ ニューラル ネットワーク (DNN) を使用して、拡大し続ける一連の電力網を含むさまざまな電力網における交流 (AC) OPF 問題を解決する DeepOPF-U を提案します。
具体的には、特定の荷重のベクトルと、さまざまなネットワークで長さが異なる OPF ソリューションの弾性入力層と出力層を設計します。
提案された方法は、単一の統合 DNN を使用して、増加するさまざまなバス、回線、負荷、DER の数に対処できます。
IEEE 57/118/300 バス テスト システムと、73 バスから 118 バスに増加するネットワークのシミュレーションにより、既存の DNN ベースのソリューション手法と比較して DeepOPF-U のパフォーマンスが向上していることが検証されます。

要約(オリジナル)

The traditional machine learning models to solve optimal power flow (OPF) are mostly trained for a given power network and lack generalizability to today’s power networks with varying topologies and growing plug-and-play distributed energy resources (DERs). In this paper, we propose DeepOPF-U, which uses one unified deep neural network (DNN) to solve alternating-current (AC) OPF problems in different power networks, including a set of power networks that is successively expanding. Specifically, we design elastic input and output layers for the vectors of given loads and OPF solutions with varying lengths in different networks. The proposed method, using a single unified DNN, can deal with different and growing numbers of buses, lines, loads, and DERs. Simulations of IEEE 57/118/300-bus test systems and a network growing from 73 to 118 buses verify the improved performance of DeepOPF-U compared to existing DNN-based solution methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google