Machine Learning-Assisted Distribution System Network Reconfiguration Problem
作者: Richard Asiamah, Yuqi Zhou, Ahmed S. Zamzam
分类: eess.SY
发布日期: 2024-11-18
💡 一句话要点
提出基于机器学习的配电系统网络重构方法，加速优化求解。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 配电网络重构 机器学习 最优潮流 智能电网 优化算法
📋 核心要点
- 传统配电网络重构优化计算量大，难以实时求解，主要瓶颈在于优化问题中存在的二元变量。
- 论文提出利用机器学习预测网络中每个部分的供电变电站，将复杂的网络重构问题简化为最优潮流问题。
- 实验结果表明，该方法在保证准确性的前提下，求解速度比传统优化方法快约十倍，提升显著。
📝 摘要（中文）
为了应对电网中高渗透率波动性可再生能源和负载变化带来的挑战，需要频繁进行线路切换以确保配电网络的有效运行。运营商必须保证最大负载输送、降低损耗，并将电压维持在限制范围内。然而，确定最优馈线配置的计算通常计算量大且难以处理，不利于实时运行。这主要是由于网络重构优化问题中存在二元变量。为了解决这个问题，我们设计了一种利用机器学习技术重塑具有多个变电站的配电网络的方法。该方法预测负责为网络每个部分供电的变电站。因此，只需要解决简单且更易于处理的最优潮流问题。使用IEEE 37节点配电馈线进行的演示表明，该方法可以在显著更短的时间内产生准确的结果。与传统的基于优化的方法相比，对于所有测试场景，该方法实现可行解的速度大约快十倍。
🔬 方法详解
问题定义：论文旨在解决配电系统网络重构问题，即在满足电压约束、潮流约束等条件下，通过改变开关状态来优化网络运行，例如降低损耗、提高电压稳定性等。现有基于优化的方法，如混合整数规划，由于存在大量的二元变量（开关状态），计算复杂度高，难以满足实时性要求。
核心思路：论文的核心思路是利用机器学习技术，预测每个负荷节点应该由哪个变电站供电。通过预测变电站的供电区域，将复杂的网络重构问题分解为多个简单的最优潮流（Optimal Power Flow, OPF）问题。OPF问题是连续变量优化问题，求解速度远快于混合整数规划问题。
技术框架：该方法包含两个主要阶段：1) 训练阶段：利用历史数据（例如，不同负荷水平、可再生能源发电量等）训练机器学习模型，学习负荷节点与供电变电站之间的映射关系。2) 预测阶段：在实时运行中，利用训练好的模型预测每个负荷节点的供电变电站，然后针对每个变电站的供电区域，求解最优潮流问题，得到最优的网络运行状态。
关键创新：该方法最重要的创新点在于将离散的开关状态优化问题转化为连续的潮流优化问题。通过机器学习预测供电区域，避免了直接优化开关状态，从而显著降低了计算复杂度。与传统的优化方法相比，该方法在保证优化效果的前提下，大大提高了求解速度。
关键设计：论文中未明确指出所使用的机器学习模型的具体类型，但可以推断可以使用分类模型，例如支持向量机（SVM）、决策树、神经网络等。关键的设计包括：1) 特征选择：选择合适的特征来训练机器学习模型，例如负荷节点的负荷水平、与变电站的距离、电压水平等。2) 模型训练：选择合适的机器学习模型和训练算法，并进行参数调优，以获得较高的预测精度。3) 最优潮流求解：选择合适的OPF求解器，并设置合适的参数，以保证求解精度和速度。
🖼️ 关键图片
📊 实验亮点
论文使用IEEE 37节点配电馈线进行实验，结果表明，与传统的基于优化的方法相比，该方法在所有测试场景下，实现可行解的速度大约快十倍。这表明该方法在保证优化效果的前提下，显著提高了求解速度，具有很强的实用价值。
🎯 应用场景
该研究成果可应用于智能配电网的实时运行与控制。通过快速优化网络结构，可以提高电网对可再生能源的接纳能力，降低网络损耗，提高供电可靠性，并为电力市场的交易提供决策支持。该方法还有潜力应用于主动配电网的电压控制、故障恢复等场景。
📄 摘要（原文）
High penetration from volatile renewable energy resources in the grid and the varying nature of loads raise the need for frequent line switching to ensure the efficient operation of electrical distribution networks. Operators must ensure maximum load delivery, reduced losses, and the operation between voltage limits. However, computations to decide the optimal feeder configuration are often computationally expensive and intractable, making it unfavorable for real-time operations. This is mainly due to the existence of binary variables in the network reconfiguration optimization problem. To tackle this issue, we have devised an approach that leverages machine learning techniques to reshape distribution networks featuring multiple substations. This involves predicting the substation responsible for serving each part of the network. Hence, it leaves simple and more tractable Optimal Power Flow problems to be solved. This method can produce accurate results in a significantly faster time, as demonstrated using the IEEE 37-bus distribution feeder. Compared to the traditional optimization-based approaches, a feasible solution is achieved approximately ten times faster for all the tested scenarios.