[论文解读] Input Convex Neural Networks for Optimal Voltage Regulation

Yize Chen, Yuanyuan Shi+1 more|arXiv (Cornell University)|Feb 20, 2020

Optimal Power Flow Distribution参考文献 46被引用 21

一句话总结

本文提出一种输入凸神经网络（ICNN），以在拓扑结构和线路参数未知的配电网中实现最优电压调节。通过在智能电表数据上训练ICNN，学习有功/无功功率注入与电压幅值之间的非线性映射，该方法使无功功率注入的凸优化成为可能，实现了卓越的电压调节精度——相比线性模型提升4.3倍，相比标准神经网络提升2.7倍，同时保持计算上的可处理性。

ABSTRACT

The increasing penetration of renewables in distribution networks calls for faster and more advanced voltage regulation strategies. A promising approach is to formulate the problem as an optimization problem, where the optimal reactive power injection from inverters are calculated to maintain the voltages while satisfying power network constraints. However, existing optimization algorithms require the exact topology and line parameters of underlying distribution system, which are not known for most cases and are difficult to infer. In this paper, we propose to use specifically designed neural network to tackle the learning and optimization problem together. In the training stage, the proposed input convex neural network learns the mapping between the power injections and the voltages. In the voltage regulation stage, such trained network can find the optimal reactive power injections by design. We also provide a practical distributed algorithm by using the trained neural network. Theoretical bounds on the representation performance and learning efficiency of proposed model are also discussed. Numerical simulations on multiple test systems are conducted to illustrate the operation of the algorithm.

研究动机与目标

• 解决在配电网拓扑结构和线路参数未知情况下的电压调节挑战。
• 克服传统优化方法依赖精确系统参数的局限性。
• 开发一种结合系统辨识与凸优化的数据驱动框架，实现实时电压控制。
• 确保在大型辐射状配电网中具备计算效率与可扩展性。
• 在无需事先掌握网络结构信息的前提下，实现电压调节的分布式部署。

提出的方法

• 使用输入凸神经网络（ICNN）建模功率注入与电压幅值之间的非线性关系，确保从输入到输出的凸性。
• 通过标准反向传播并施加权重约束，在智能电表数据（有功/无功功率注入与电压幅值）上训练ICNN。
• 将电压调节问题表述为基于训练后ICNN的凸优化问题，以计算最优无功功率注入。
• 实现一种分布式算法，各母线利用本地测量数据与邻近节点通信，求解基于ICNN的优化问题。
• 利用ICNN的凸结构保证全局最优性，避免标准神经网络常见的局部极小值问题。
• 采用模型预测控制（MPC）结合训练好的ICNN，实现实时、自适应的电压调节。

实验结果

研究问题

• RQ1 基于数据驱动的神经网络模型能否准确表征在拓扑未知的配电网中电压对功率注入的非线性依赖关系？
• RQ2 所得到的神经网络模型是否能够支持用于最优无功功率注入的凸优化？
• RQ3 与线性模型和标准神经网络相比，ICNN方法在电压调节精度和计算效率方面表现如何？
• RQ4 所提出的方法是否可在无需完整网络知识的情况下有效实现分布式部署？
• RQ5 ICNN框架在大型配电网（如IEEE 123-bus馈线）中的可扩展性与性能表现如何？

主要发现

• 在IEEE 13-bus系统中，ICNN方法将平均电压偏差降低了4.3倍（相比线性模型）和2.7倍（相比标准神经网络）。
• 在IEEE 123-bus系统中，ICNN使超过98.3%的节点电压保持在额定电压的±5%以内，与SOCP解相当。
• 线性模型在扩展性方面表现不佳，在123-bus系统中近20%的电压超出±5%的允许偏差。
• ICNN优化在13-bus系统中比SOCP求解器更快，并在123-bus系统中实现了高效扩展，仅带来适度的计算时间增加。
• 分布式算法在24小时变化的负荷与发电配置下成功实现了电压调节，所有时刻的无功功率注入均在0.2 MVar限制范围内。
• 由于陷入局部极小值导致收敛困难，标准神经网络的计算时间显著更长；而ICNN因具备凸性，避免了此类问题。