[论文解读] Load Forecasting Based Distribution System Network Reconfiguration-A Distributed Data-Driven Approach

Yi Gu, Huaiguang Jiang+4 more|arXiv (Cornell University)|Nov 29, 2017

Energy Load and Power Forecasting参考文献 21被引用 7

一句话总结

本文提出了一种分布式、数据驱动的方法，用于三相辐射型配电网的短期负荷预测与网络重构。通过将支持向量回归（SVR）与二阶锥规划松弛及基于ADMM的分布式优化相结合，该方法实现了开关配置的并行计算，以最小化系统损耗，实现了平均21.24%的损耗降低，计算时间仅为30秒，优于传统的遗传算法方法。

ABSTRACT

In this paper, a short-term load forecasting approach based network reconfiguration is proposed in a parallel manner. Specifically, a support vector regression (SVR) based short-term load forecasting approach is designed to provide an accurate load prediction and benefit the network reconfiguration. Because of the nonconvexity of the three-phase balanced optimal power flow, a second-order cone program (SOCP) based approach is used to relax the optimal power flow problem. Then, the alternating direction method of multipliers (ADMM) is used to compute the optimal power flow in distributed manner. Considering the limited number of the switches and the increasing computation capability, the proposed network reconfiguration is solved in a parallel way. The numerical results demonstrate the feasible and effectiveness of the proposed approach.

研究动机与目标

• 开发一种动态、实时的网络重构方法，考虑未来负荷变化，而非依赖静态负荷测量值。
• 通过将精确的短期负荷预测集成到重构过程中，提升系统损耗降低效果。
• 利用分布式优化技术，实现最优开关配置的高效并行计算。
• 通过凸松弛与基于分布式ADMM的求解方法，克服传统启发式方法中的局部最优问题。
• 降低计算时间，提升现代配电网在计算能力不断增强背景下的可扩展性。

提出的方法

• 在受MapReduce启发的并行框架中，采用网格遍历算法（GTA）与粒子群优化（PSO）相结合的两步超参数优化方法，对SVR进行优化。
• 采用具有高斯径向基函数核的支持向量回归（SVR）进行短期负荷预测，以预测未来1小时的负荷曲线。
• 将三相平衡最优潮流（OPF）问题松弛为二阶锥规划（SOCP）问题，以确保凸性与可解性。
• 应用交替方向乘子法（ADMM）在多个计算核心上以分布式、并行方式求解松弛后的OPF问题。
• 在辐射型网络拓扑约束下，对所有开关配置组合进行并行遍历，每个配置独立使用ADMM求解。
• 将预测的负荷数据集成到OPF模型中，以指导动态网络重构，实现系统损耗最小化。

实验结果

研究问题

• RQ1 通过引入短期负荷预测，分布式、数据驱动的方法是否能够提升配电网网络重构的准确性和效率？
• RQ2 与静态负荷输入相比，采用优化超参数的SVR负荷预测方法在多大程度上提升了网络重构的性能？
• RQ3 在辐射型配电网中，基于ADMM的分布式优化在多大程度上能够减少计算时间，同时保持解的质量？
• RQ4 负荷预测精度对动态网络重构中系统损耗降低的影响如何？
• RQ5 与遗传算法等传统启发式或元启发式方法相比，所提出方法在性能与可扩展性方面表现如何？

主要发现

• 所提方法在所有测试场景中实现了平均21.24%的系统损耗降低，显著优于传统的基于遗传算法的方法（17.87%的损耗降低）。
• 采用所提分布式方法后，计算时间缩短至30秒，而传统遗传算法方法需107秒。
• 短期负荷预测模型的平均绝对百分比误差（MAPE）为2.23%，归一化均方根误差（NRMSE）为4.03%。
• 超过80%的预测误差在±3.1%以内，表明预测具有高度可靠性。
• 在负荷增加场景中，平均损耗降低为24.13%；在负荷减少场景中，平均损耗降低为18.35%，表明方法对负荷变化具有良好的鲁棒性。
• SOCP松弛与ADMM的结合实现了快速收敛，并在凸性约束下保证了解的最优性。