[论文解读] Hot-Starting the Ac Power Flow with Convolutional Neural Networks

Liangjie Chen, Joseph Euzebe Tate|arXiv (Cornell University)|Apr 20, 2020

Power System Optimization and Stability参考文献 28被引用 16

一句话总结

本文提出一种一维卷积神经网络（1D CNN）框架，利用直流潮流（DCPF）结果作为输入，生成改进的初始电压条件（热启动），以提升基于牛顿-拉夫森法的交流潮流（ACPF）求解效率。与平坦启动或温启动相比，该方法在IEEE 118-和Pegase 2869-母线系统上，将求解时间减少最多33.56%，迭代次数减少最多66.47%。

ABSTRACT

Obtaining good initial conditions to solve the Newton-Raphson (NR) based ac power flow (ACPF) problem can be a very difficult task. In this paper, we propose a framework to obtain the initial bus voltage magnitude and phase values that decrease the solution iterations and time for the NR based ACPF model, using the dc power flow (DCPF) results and one dimensional convolutional neural networks (1D CNNs). We generate the dataset used to train the 1D CNNs by sampling from a distribution of load demands, and by computing the DCPF and ACPF results for each sample. Experiments on the IEEE 118-bus and extsc{Pegase} 2869-bus study systems show that we can achieve 33.56\% and 30.06\% reduction in solution time, and 66.47% and 49.52% reduction in solution iterations per case, respectively. We include the 1D CNN architectures and the hyperparameters used, which can be expanded on by the future studies on this topic.

研究动机与目标

• 为解决由于初始电压条件不佳导致基于牛顿-拉夫森法的交流潮流（ACPF）收敛速度慢的问题。
• 通过减少ACPF收敛所需的迭代次数和时间，提升求解效率。
• 开发一种可推广的框架，利用DCPF结果与一维卷积神经网络（1D CNN）预测PQ母线的准确初始电压幅值与相角。
• 证明一维卷积神经网络在从DCPF输入近似ACPF解方面优于传统多层感知机（MLPs）。
• 为未来基于神经网络的潮流初始化研究提供可复用的一维卷积神经网络架构与超参数。

提出的方法

• 该框架以DCPF结果作为输入，以对应的ACPF解作为真实标签目标，对采样负荷水平条件下的1D CNN进行训练。
• 通过在负荷母线上采样有功与无功功率需求，生成数据集，并为每个样本计算DCPF与ACPF结果。
• 1D CNN被训练以预测能最小化ACPF不匹配量的母线电压幅值与相角，作为热启动条件。
• 训练完成的模型通过处理新负荷场景的DCPF结果，生成初始条件，并将其输入牛顿-拉夫森法ACPF求解器。
• 将训练数据划分为“温启动”（含ACPF解）与“热启动”（不含ACPF解）两组，用于模型训练与评估。
• 1D CNN架构包含卷积层（含卷积核大小、步长与填充设置），后接全连接层，输出每个母线的电压幅值与相位。

实验结果

研究问题

• RQ1 一维卷积神经网络能否有效学习生成比平坦启动或基于DCPF的温启动更优的交流潮流初始电压条件？
• RQ2 一维卷积神经网络在大型与小型电力系统中，能在多大程度上减少牛顿-拉夫森法的迭代次数与求解时间？
• RQ3 当从DCPF输入预测ACPF解时，一维卷积神经网络与多层感知机（MLPs）的性能相比如何？
• RQ4 所提出的框架是否能推广至不同系统接线结构与规模（如IEEE 118-母线与Pegase 2869-母线系统）？
• RQ5 将ACPF求解时间与迭代次数直接纳入1D CNN训练目标，会产生何种影响？

主要发现

• 所提出的基于1D CNN的热启动框架在IEEE 118-母线系统上，相比平坦启动条件，将ACPF求解时间减少了33.56%。
• 在Pegase 2869-母线系统上，采用相同热启动方法后，求解时间减少了30.06%。
• 在IEEE 118-母线系统上，牛顿-拉夫森法的迭代次数减少了66.47%；在Pegase 2869-母线系统上，减少了49.52%。
• 1D CNN生成的不匹配误差（Δℒ）比在相同数据集上训练的多层感知机（MLPs）小近10倍。
• 该框架在不同规模与接线结构的系统间表现出良好的可推广性，但新网络配置需进行系统特定的训练。
• 该方法通过生成更优初始条件，可加快预想方式分析速度；采用迁移学习或并行训练可降低一次性训练成本。