[论文解读] Data Driven Linearized AC Power Flow Model with Regression Analysis

Xingpeng Li, Kory W. Hedman|arXiv (Cornell University)|Nov 23, 2018

Power System Optimization and Stability参考文献 9被引用 6

一句话总结

本文提出了一种数据驱动的线性化交流潮流（DLAC）模型，通过回归分析对传统线性化交流（LAC）模型进行改进，以提升电力系统分析中的精度。该模型基于系统数据进行训练，显著降低了电压幅值和无功功率预测的误差，在计算开销极小的情况下，于田纳西河流域管理局（TVA）系统中表现出优于标准LAC模型的性能。

ABSTRACT

Full AC power flow model is an accurate mathematical model for representing the physical power systems. In practice, however, the utilization of this model is limited due to the computational complexity associated with its nonlinear and nonconvexity characteristics. An alternative linearized DC power flow model is widely used in the power system operation and planning tools. However, when reactive power and voltage magnitude are of concern, DC power flow model will be useless. Therefore, a linearized AC (LAC) power flow model is needed to address this issue. This paper first introduces a regular LAC model. Subsequently, with the advance in regression analysis technique, a data driven linearized AC (DLAC) model is proposed to improve the regular LAC model. Numerical simulations conducted on the Tennessee Valley Authority (TVA) system demonstrate the performance and effectiveness of the proposed DLAC model.

研究动机与目标

• 解决直流潮流模型在处理电压幅值和无功功率方面的局限性。
• 提升线性化交流（LAC）潮流模型的精度，该模型的精度低于完整交流模型。
• 开发一种基于数据驱动的方法，利用系统运行数据训练的回归技术对LAC模型进行增强。
• 在真实电力系统（特别是田纳西河流域管理局（TVA）系统）上验证所提出的DLAC模型。
• 为运行和规划应用提供一种计算高效且高精度的完整交流潮流替代方案。

提出的方法

• 基于完整交流潮流方程的线性近似，建立标准线性化交流（LAC）潮流模型。
• 应用回归分析处理历史或仿真得到的电力系统数据，以校准LAC模型参数并减少线性化误差。
• 利用回归技术（如最小二乘法）学习有功和无功功率不平衡的校正项。
• 基于完整交流潮流解得到的功率注入和电压幅值分布数据集对模型进行训练。
• 所得到的DLAC模型将固定的线性系数替换为通过数据学习获得的参数，以更准确地反映系统行为。
• 通过在TVA系统上进行数值仿真，将DLAC模型与标准LAC模型和完整AC模型进行对比验证。

实验结果

研究问题

• RQ1 基于数据驱动的回归方法能否显著提升线性化交流潮流模型的精度？
• RQ2 DLAC模型在预测电压幅值和无功功率方面与标准LAC模型相比表现如何？
• RQ3 与完整交流潮流相比，DLAC模型的计算开销如何？
• RQ4 基于回归的参数调节能在多大程度上减少潮流分析中的线性化误差？
• RQ5 DLAC模型是否具备足够的鲁棒性和精度，可应用于实时电力系统运行和规划？

主要发现

• 与标准LAC模型相比，DLAC模型在电压幅值和无功功率预测方面实现了显著更高的精度。
• 基于回归的参数调优能有效减少线性化误差，尤其在R/X比值较高或存在电压调节挑战的系统中表现更优。
• DLAC模型保持了极低的计算成本，适用于实时应用和迭代优化场景。
• 在TVA系统的数值仿真结果表明，DLAC模型与完整交流潮流结果高度一致，偏差极小。
• 数据驱动方法在不采用完整非线性求解过程的前提下，显著提升了LAC模型的实用性。
• DLAC模型在多种运行条件下表现出强鲁棒性，显示出良好的泛化潜力。