[论文解读] Towards Distributed Energy Services: Decentralizing Optimal Power Flow with Machine Learning

Roel Dobbe, Oscar Sondermeijer+4 more|arXiv (Cornell University)|Jun 14, 2018

Optimal Power Flow Distribution被引用 8

一句话总结

该论文提出了一种数据驱动的、去中心化的机器学习框架，使各个分布式能源资源（DERs）能够仅通过本地测量，学习到模仿集中式最优潮流（OPF）解决方案的本地控制策略。通过利用率失真框架，该方法识别出DER之间最优的通信链路，以最小化重构误差，从而在无需集中协调或大规模通信基础设施的情况下，实现接近最优的系统性能。

ABSTRACT

The implementation of optimal power flow (OPF) methods to perform voltage and power flow regulation in electric networks is generally believed to require extensive communication. We consider distribution systems with multiple controllable Distributed Energy Resources (DERs) and present a data-driven approach to learn control policies for each DER to reconstruct and mimic the solution to a centralized OPF problem from solely locally available information. Collectively, all local controllers closely match the centralized OPF solution, providing near optimal performance and satisfaction of system constraints. A rate distortion framework enables the analysis of how well the resulting fully decentralized control policies are able to reconstruct the OPF solution. The methodology provides a natural extension to decide what nodes a DER should communicate with to improve the reconstruction of its individual policy. The method is applied on both single- and three-phase test feeder networks using data from real loads and distributed generators, focusing on DERs that do not exhibit inter-temporal dependencies. It provides a framework for Distribution System Operators to efficiently plan and operate the contributions of DERs to achieve Distributed Energy Services in distribution networks.

研究动机与目标

• 解决在无需集中协调或大规模通信基础设施的情况下，在配电网中实施最优潮流（OPF）的挑战。
• 开发一种去中心化控制框架，使每个DER学习本地策略，从而整体上复现集中式OPF解决方案的性能。
• 利用信息论指导应选择哪些DER进行通信，以提高控制策略重构的准确性。
• 通过避免对昂贵通信基础设施的依赖，实现分布式能源服务（DES）的实用化与可扩展部署。
• 提供一种框架，使控制器能够根据网络变化（如新增负荷或DER）进行增量式更新。

提出的方法

• 在每个DER上使用历史OPF解决方案作为标签，以本地外生变量（如负荷、发电、电压）作为输入，训练监督式机器学习模型。
• 利用率失真框架量化通信成本与重构误差之间的权衡，以模拟集中式OPF解决方案。
• 通过最大化最优控制信号与可用本地变量之间的互信息，识别每个DER的最优通信伙伴。
• 将控制策略学习建模为回归问题，引入多项式项与交互项以捕捉非线性关系。
• 使用真实世界的负荷与发电数据，将该方法应用于单相与三相不平衡配电网馈线。
• 通过增加历史数据进行增量再训练，使控制器能够适应网络变化（如新增负荷或DER）。

实验结果

研究问题

• RQ1 去中心化的DER控制器能否仅通过本地信息，集体复现集中式OPF解决方案的性能？
• RQ2 如何战略性地选择DER之间的通信，以在降低基础设施成本的同时最小化重构误差？
• RQ3 在仅使用本地数据的情况下，去中心化策略在多大程度上能够重构集中式OPF解决方案？该理论极限是什么？
• RQ4 控制器参数与行为如何随网络拓扑、位置及运行工况而变化？
• RQ5 该框架能否实现增量式更新，以在不断演化的网络条件下维持性能？

主要发现

• 去中心化的机器学习方法在单相与三相配电网中均实现了接近最优的性能，其在损耗最小化与电压调节方面与集中式OPF解决方案高度一致。
• 率失真框架提供了重构误差的理论下限，并可识别出DER之间最优的通信链路。
• 位于变电站附近的逆变器B在OPF解中运行在最大容量，这是由于其上游功率流较高；而位于馈线末端的逆变器A则提供无功功率，以减少本地及上游损耗。
• 回归系数表明，逆变器A的控制策略主要依赖于其自身的功率注入与电压幅值，而逆变器B的策略则强烈受其自身及邻近节点变量的影响。
• 该方法实现了有效的控制器设计，无需依赖启发式或“一刀切”的规则，能自然适应特定网络的动力学特性。
• 通过增加数据进行增量再训练，系统可在无需从头开始完全再训练的情况下，适应新增负荷或DER等网络变化。