[论文解读] Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach

Xingyu Lei, Zhifang Yang+4 more|arXiv (Cornell University)|May 31, 2020

Machine Learning and ELM参考文献 40被引用 9

一句话总结

本文提出了一种基于堆叠极限学习机（SELM）框架的物理信息机器学习方法，用于数据驱动的最优潮流（OPF）。通过将OPF特征分解为三个阶段并采用基于主动约束的预分类方法，该方法在IEEE和波兰系统上实现了快速训练、降低学习复杂度以及高精度，且在极少超参数调优的情况下优于其他方法。

ABSTRACT

This paper proposes a data-driven approach for optimal power flow (OPF) based on the stacked extreme learning machine (SELM) framework. SELM has a fast training speed and does not require the time-consuming parameter tuning process compared with the deep learning algorithms. However, the direct application of SELM for OPF is not tractable due to the complicated relationship between the system operating status and the OPF solutions. To this end, a data-driven OPF regression framework is developed that decomposes the OPF model features into three stages. This not only reduces the learning complexity but also helps correct the learning bias. A sample pre-classification strategy based on active constraint identification is also developed to achieve enhanced feature attractions. Numerical results carried out on IEEE and Polish benchmark systems demonstrate that the proposed method outperforms other alternatives. It is also shown that the proposed method can be easily extended to address different test systems by adjusting only a few hyperparameters.

研究动机与目标

• 为解决由于系统状态关系复杂，导致数据驱动方法在最优潮流（OPF）中应用的挑战。
• 通过将模型分解为三个独立阶段，降低学习复杂度并校正OPF回归中的偏差。
• 通过基于主动约束识别的样本预分类策略，增强特征表示。
• 开发一种可扩展、训练快速且在不同电力系统中仅需极少超参数调整的框架。

提出的方法

• 该方法采用堆叠极限学习机（SELM）框架，相比深度学习，可实现快速、无需参数调整的训练。
• 通过将OPF模型分解为三个阶段，简化学习过程并提升泛化能力。
• 引入一种预分类策略以识别主动约束，提升特征提取与模型精度。
• 将物理电力系统约束整合到机器学习框架中，确保预测结果具有物理合理性。
• 模型基于历史系统运行数据进行训练，将系统状态映射至最优经济调度解。
• 仅进行极少的超参数调优，从而可轻松适配至新的测试系统。

实验结果

研究问题

• RQ1 基于极限学习机的数据驱动方法是否能在极少超参数调优的情况下实现最优潮流的高精度？
• RQ2 将OPF模型分解为三个阶段在多大程度上提升了学习效率并降低了偏差？
• RQ3 基于主动约束识别的预分类在多大程度上增强了OPF回归中的特征表示？
• RQ4 物理信息设计如何确保机器学习预测结果保持物理可行性？
• RQ5 所提出方法是否可轻松推广至不同电力系统测试案例，且仅需极少重新配置？

主要发现

• 与替代数据驱动方法相比，所提方法在IEEE和波兰基准系统上均表现出更优性能。
• 基于主动约束的预分类显著提升了特征吸引能力与模型精度。
• SELM框架实现了无需耗时超参数调优的快速训练，降低了计算成本。
• 该方法在多种测试系统中保持高精度，展现出强大的泛化能力。
• 仅需调整少量超参数即可将模型扩展至新系统，证实了其可扩展性。