[论文解读] Fast Calculation of Probabilistic Power Flow: A Model-based Deep Learning Approach

Yan Yang, Zhifang Yang+2 more|arXiv (Cornell University)|Jun 14, 2019

Energy Load and Power Forecasting参考文献 29被引用 9

一句话总结

本文提出一种基于模型的深度学习方法，以加速电力系统中概率性潮流（PPF）计算。通过在深度神经网络（DNN）中引入物理潮流方程作为惩罚项、简化梯度并改进参数初始化，该方法在IEEE系统和实际电力系统中均实现了高精度与传统PPF方法相比的显著加速。

ABSTRACT

Probabilistic power flow (PPF) plays a critical role in power system analysis. However, the high computational burden makes it challenging for the practical implementation of PPF. This paper proposes a model-based deep learning approach to overcome the computational challenge. A deep neural network (DNN) is used to approximate the power flow calculation and is trained according to the physical power flow equations to improve its learning ability. The training process consists of several steps: 1) the branch flows are added into the objective function of the DNN as a penalty term, which improves the approximation accuracy of the DNN; 2) the gradients used in the back propagation process are simplified according to the physical characteristics of the transmission grid, which accelerates the training speed while maintaining effective guidance of the physical model; and 3) an improved initialization method for the DNN parameters is proposed to improve the convergence speed. The simulation results demonstrate the accuracy and efficiency of the proposed method in standard IEEE and utility benchmark systems.

研究动机与目标

• 解决电力系统运行中概率性潮流（PPF）计算带来的高计算负担问题。
• 提升用于潮流近似的深度学习模型的精度与训练效率。
• 将物理潮流方程嵌入深度学习框架，以增强模型的泛化能力与物理一致性。
• 在保持分支潮流与功率注入高精度近似的同时，减少训练时间。
• 实现面向实际电力系统应用的实时或近实时PPF计算。

提出的方法

• 训练深度神经网络（DNN）以近似潮流解，其目标函数通过基于支路潮流方程的惩罚项进行增强。
• 利用输电网络的物理特性简化反向传播中的梯度，以在不损失模型指导能力的前提下加速训练。
• 提出一种改进的DNN参数初始化方法，以提升训练过程中的收敛速度。
• 利用潮流方程作为约束条件训练模型，确保DNN能够学习电力系统的底层物理特性。
• 在标准IEEE测试系统和实际电力系统基准系统上验证该方法。
• 使用DNN预测概率性潮流结果，包括支路潮流与母线电压的统计分布。

实验结果

研究问题

• RQ1 在引入物理约束的条件下，深度学习模型能否在概率性潮流计算中实现高精度？
• RQ2 将物理潮流方程整合到损失函数中，对DNN的近似性能有何影响？
• RQ3 基于电网拓扑的梯度简化在多大程度上提升了训练速度？
• RQ4 与标准方法相比，所提出的初始化方法是否能减少训练收敛时间？
• RQ5 该模型在不同系统配置下是否具备良好的泛化能力，并在不确定性条件下保持精度？

主要发现

• 与传统的基于蒙特卡洛的方法相比，所提出的方法在概率性潮流计算中实现了显著的加速。
• 将物理约束嵌入DNN损失函数可提高支路潮流与母线电压近似的精度。
• 基于电网拓扑的梯度简化在保持模型性能的同时减少了训练时间。
• 改进的初始化方法加速了收敛过程，减少了所需的训练周期数。
• 该模型在多个IEEE测试系统和实际电力系统基准系统中均保持了高精度。
• 基于DNN的方法能够实现快速、精确且物理一致的概率性潮流评估，适用于实时应用。