MPA-DNN: Projection-Aware Unsupervised Learning for Multi-period DC-OPF

📄 arXiv: 2510.09349v1 📥 PDF

作者: Yeomoon Kim, Minsoo Kim, Jip Kim

分类: eess.SY

发布日期: 2025-10-10

💡 一句话要点

提出MPA-DNN，通过投影层实现多周期DC-OPF的无监督学习，满足约束条件。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 最优潮流 深度神经网络 无监督学习 电力系统 约束优化 可再生能源 智能电网

📋 核心要点

  1. 传统OPF求解器计算成本高昂，DNN虽能加速求解，但难以保证满足发电机爬坡和储能等时序约束。
  2. MPA-DNN通过在网络中引入投影层，将多周期调度约束嵌入模型，保证输出解的物理可行性。
  3. 实验表明，MPA-DNN在满足所有约束的同时，实现了接近最优的性能，适用于不同负载场景。

📝 摘要（中文）

在可再生能源和储能高渗透率的现代电力系统中，确保最优潮流（OPF）运行的可行性和效率变得至关重要。深度神经网络（DNN）作为OPF求解器的快速替代方案，但常常无法满足关键的运行约束，特别是那些涉及时间耦合的约束，如发电机爬坡限制和储能运行。为了解决这些问题，我们提出了一种多周期投影感知深度神经网络（MPA-DNN），该网络结合了一个用于多周期调度的投影层。通过这种方式，我们的模型通过投影来强制执行物理可行性，从而实现约束兼容调度轨迹的端到端学习，而无需依赖标记数据。实验结果表明，所提出的方法在不同的负载条件下实现了接近最优的性能，同时严格满足所有约束。

🔬 方法详解

问题定义：论文旨在解决多周期直流最优潮流（DC-OPF）问题，特别是在高比例可再生能源接入的情况下，传统优化方法计算耗时，而直接使用DNN预测OPF解难以保证满足诸如发电机爬坡约束、储能运行约束等时序耦合约束，导致解的不可行。现有方法要么计算效率低，要么无法保证解的可行性。

核心思路：论文的核心思路是将多周期调度约束嵌入到DNN模型中，通过一个投影层将DNN的输出投影到满足约束的可行域内。这样，即使DNN的初始输出不满足约束，经过投影后也能保证解的可行性。这种方法实现了端到端的无监督学习，无需依赖大量的标记数据。

技术框架：MPA-DNN的整体框架包括一个DNN和一个投影层。DNN负责预测OPF的控制变量（如发电机出力），投影层接收DNN的输出，并将其投影到满足所有约束的可行域内。整个网络采用端到端的方式进行训练，目标是最小化运行成本。

关键创新：最重要的技术创新点在于投影层的设计。该投影层能够显式地考虑多周期约束，并将DNN的输出映射到满足这些约束的可行解。与传统的基于惩罚项的方法不同，该方法能够严格保证解的可行性。此外，该方法实现了无监督学习，无需依赖大量的标记数据。

关键设计：投影层的具体实现依赖于对DC-OPF问题的数学建模。论文中需要详细描述如何将多周期约束（如发电机爬坡约束、储能运行约束）表示为线性或非线性不等式约束，并设计相应的投影算法。损失函数的设计目标是最小化运行成本，同时鼓励DNN的输出接近最优解。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，MPA-DNN在不同负载条件下均能严格满足所有约束，并实现接近最优的性能。与传统的OPF求解器相比，MPA-DNN能够显著提高求解速度。具体性能数据（如运行成本、求解时间）和与基线方法的对比需要在论文中详细给出。

🎯 应用场景

该研究成果可应用于智能电网的实时优化调度，特别是在可再生能源高比例接入的场景下。通过快速求解满足约束的OPF解，可以提高电网运行的效率和可靠性，降低运行成本，并促进可再生能源的消纳。未来可扩展到考虑交流潮流约束、电压稳定约束等更复杂的场景。

📄 摘要（原文）

Ensuring both feasibility and efficiency in optimal power flow (OPF) operations has become increasingly important in modern power systems with high penetrations of renewable energy and energy storage. While deep neural networks (DNNs) have emerged as promising fast surrogates for OPF solvers, they often fail to satisfy critical operational constraints, especially those involving inter-temporal coupling, such as generator ramping limits and energy storage operations. To deal with these issues, we propose a Multi-Period Projection-Aware Deep Neural Network (MPA-DNN) that incorporates a projection layer for multi-period dispatch into the network. By doing so, our model enforces physical feasibility through the projection, enabling end-to-end learning of constraint-compliant dispatch trajectories without relying on labeled data. Experimental results demonstrate that the proposed method achieves near-optimal performance while strictly satisfying all constraints in varying load conditions.