A Data-Driven Real-Time Optimal Power Flow Algorithm Using Local Feedback

📄 arXiv: 2502.15306v1 📥 PDF

作者: Heng Liang, Yujin Huang, Changhong Zhao

分类: math.OC, cs.LG

发布日期: 2025-02-21

💡 一句话要点

提出一种基于局部反馈的数据驱动实时最优潮流算法，适用于高比例分布式能源网络。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 最优潮流 分布式能源 实时控制 数据驱动 深度学习 局部反馈 无梯度优化

📋 核心要点

  1. 传统最优潮流算法难以适应分布式能源快速变化的需求，需要更快的实时优化能力。
  2. 论文提出一种基于局部反馈的可学习函数，将最优潮流问题转化为函数参数优化问题，实现实时控制。
  3. 实验表明，该方法在跟踪时变最优潮流解方面，比基准方法具有更高的精度和更快的计算速度。

📝 摘要（中文）

随着分布式能源（DERs）渗透率的提高，电力网络增加了可变性和快速控制能力。基于本地信息调度DERs以提供实时最优网络运行是理想的选择。本文提出了一种数据驱动的实时算法，该算法仅使用本地测量来解决时变交流最优潮流（OPF）问题。具体而言，我们设计了一个可学习的函数，该函数将本地反馈作为算法的输入。在一定条件下，该可学习函数将导致算法的唯一稳定点，从而将OPF问题转化为对函数参数的优化。然后，我们开发了一种随机原始-对偶更新方法，基于可学习函数的深度神经网络（DNN）参数化来解决OPF问题的变体，这被称为训练阶段。我们还设计了一种无梯度替代方案，以绕过非线性潮流模型的繁琐梯度计算。在DNN的通用逼近意义上，建立了OPF解决方案跟踪误差界限。IEEE 37节点测试馈线的数值结果表明，与基准方法相比，该方法能够以更高的精度和更快的计算速度跟踪时变OPF解决方案。

🔬 方法详解

问题定义：论文旨在解决高比例分布式能源接入下，传统最优潮流（OPF）算法难以实时响应网络变化的问题。现有方法通常依赖全局信息和复杂的迭代计算，计算量大，难以满足实时性要求。此外，对非线性潮流模型的梯度计算也十分繁琐。

核心思路：论文的核心思路是利用数据驱动的方法，学习一个可学习的函数，该函数仅依赖于本地测量信息，并将最优潮流问题转化为对该函数参数的优化问题。通过这种方式，避免了对全局信息的依赖和复杂的迭代计算，从而实现实时优化。

技术框架：该算法主要包含两个阶段：训练阶段和运行阶段。在训练阶段，利用历史数据，通过随机原始-对偶更新方法，训练一个深度神经网络（DNN）来参数化可学习函数。同时，设计了一种无梯度优化方法，以避免对非线性潮流模型的梯度计算。在运行阶段，算法仅需根据本地测量信息，通过训练好的DNN计算控制变量，实现实时最优潮流控制。

关键创新：该论文的关键创新在于：1) 提出了一种基于局部反馈的可学习函数，将最优潮流问题转化为函数参数优化问题；2) 设计了一种无梯度优化方法，避免了对非线性潮流模型的梯度计算；3) 利用深度神经网络（DNN）来参数化可学习函数，提高了算法的灵活性和适应性。

关键设计：可学习函数的设计是关键，其输入为本地测量信息，输出为控制变量。DNN的结构和参数需要根据具体电力网络进行调整。损失函数的设计需要考虑优化目标（如降低网损、提高电压稳定性等）和约束条件（如电压上下限、线路容量限制等）。随机原始-对偶更新方法的步长和学习率等参数也需要仔细调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在IEEE 37节点测试馈线上进行了数值实验，结果表明，与基准方法相比，该方法能够以更高的精度和更快的计算速度跟踪时变最优潮流解决方案。具体性能提升数据未知，但摘要强调了精度和速度的显著优势。

🎯 应用场景

该研究成果可应用于智能配电网的实时优化控制，提高分布式能源的利用率，降低网损，提高电网的稳定性和可靠性。未来可进一步推广到包含更多类型分布式能源和复杂网络拓扑的电力系统中，为构建高效、清洁、智能的能源互联网提供技术支撑。

📄 摘要（原文）

The increasing penetration of distributed energy resources (DERs) adds variability as well as fast control capabilities to power networks. Dispatching the DERs based on local information to provide real-time optimal network operation is the desideratum. In this paper, we propose a data-driven real-time algorithm that uses only the local measurements to solve time-varying AC optimal power flow (OPF). Specifically, we design a learnable function that takes the local feedback as input in the algorithm. The learnable function, under certain conditions, will result in a unique stationary point of the algorithm, which in turn transfers the OPF problems to be optimized over the parameters of the function. We then develop a stochastic primal-dual update to solve the variant of the OPF problems based on a deep neural network (DNN) parametrization of the learnable function, which is referred to as the training stage. We also design a gradient-free alternative to bypass the cumbersome gradient calculation of the nonlinear power flow model. The OPF solution-tracking error bound is established in the sense of universal approximation of DNN. Numerical results on the IEEE 37-bus test feeder show that the proposed method can track the time-varying OPF solutions with higher accuracy and faster computation compared to benchmark methods.