Enhanced Optimal Power Flow Using a Trained Neural Network Surrogate for Distribution Grid Constraints

📄 arXiv: 2604.12422v1 📥 PDF

作者: Savvas Panagi, Chrysovalantis Spanias, Petros Aristidou

分类: eess.SY

发布日期: 2026-04-14

💡 一句话要点

提出一种基于神经网络代理模型的增强型最优潮流算法，用于配电网约束优化。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 最优潮流 神经网络 配电网 分布式能源 混合整数线性规划 代理模型 电压控制

📋 核心要点

  1. 传统最优潮流计算面临可扩展性挑战，依赖近似方法可能影响精度，难以满足分布式能源高渗透率的需求。
  2. 该论文提出使用训练好的神经网络作为代理模型，替代OPF中的非线性潮流-电压映射，并采用混合整数线性编码保证精度。
  3. 实验结果表明，该方法在保证电压精度的前提下，显著降低了计算时间，性能优于非线性OPF模型，与SOCP方法相当。

📝 摘要（中文）

分布式能源（DERs）、电动汽车（EVs）和热泵（HPs）在配电网络中的日益普及，凸显了对安全、计算高效的最优潮流（OPF）解决方案的需求。传统的OPF公式通常受到可扩展性限制，并且可能依赖于不能保证精确性的松弛/近似。本文提出了一个框架，其中训练好的神经网络（NN）代理模型直接嵌入到OPF中，作为约束替代。具体而言，非线性潮流到电压的映射被NN的精确混合整数线性编码所取代（即，NN输入-输出映射以无近似的方式表示），同时保留所有剩余的OPF约束。使用具有集成光伏、电动汽车和热泵的真实低压网络，所提出的方法在解决方案后的交流潮流验证期间实现了高电压精度，在所检查的测试用例中，最大偏差小于1.0 V。由此产生的NN-OPF问题在MILP求解器的容差范围内求解到全局最优，数值结果表明，与非线性OPF模型相比，计算时间大大减少，并且性能与基于SOCP的DistFlow公式相比具有竞争力。

🔬 方法详解

问题定义：论文旨在解决配电网中日益增长的分布式能源带来的最优潮流（OPF）计算难题。传统OPF方法在处理大规模、高复杂度的配电网时，面临计算量大、收敛速度慢等问题，并且依赖的近似方法可能牺牲精度，无法保证配电网的安全稳定运行。

核心思路：论文的核心思路是利用神经网络（NN）学习潮流计算中非线性潮流-电压映射关系，并将其作为代理模型嵌入到OPF问题中。通过将复杂的非线性约束替换为NN代理模型，降低了OPF问题的求解难度，提高了计算效率。同时，采用混合整数线性编码（MILP）精确表示NN，避免了引入额外的近似误差。

技术框架：该方法的技术框架主要包括以下几个步骤：1) 离线训练神经网络，学习配电网的潮流-电压映射关系；2) 将训练好的神经网络通过混合整数线性编码转化为MILP约束；3) 将MILP约束嵌入到OPF问题中，替代原有的非线性潮流约束；4) 使用MILP求解器求解优化后的OPF问题，得到最优的控制变量；5) 使用交流潮流计算验证解的有效性和精度。

关键创新：该论文的关键创新在于：1) 将神经网络作为代理模型嵌入到OPF问题中，降低了计算复杂度；2) 采用混合整数线性编码精确表示神经网络，避免了引入额外的近似误差；3) 提出了一种新的OPF求解框架，能够有效地处理大规模、高复杂度的配电网优化问题。

关键设计：神经网络的结构选择了多层感知机（MLP），输入为控制变量（如分布式电源的出力），输出为节点电压。损失函数采用均方误差（MSE），以最小化神经网络预测电压与实际电压之间的差异。混合整数线性编码的具体方法依赖于神经网络的激活函数类型，例如ReLU激活函数可以精确地用MILP约束表示。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与传统的非线性OPF模型相比，该方法显著降低了计算时间，同时保证了电压精度，最大电压偏差小于1.0V。在相同的求解精度下，该方法的计算性能与基于SOCP的DistFlow公式相当，但避免了SOCP松弛可能带来的误差。

🎯 应用场景

该研究成果可应用于智能配电网的优化运行与控制，例如分布式电源的优化调度、电动汽车的充电管理、以及电压稳定控制等。通过提高OPF的计算效率和精度，可以更好地应对分布式能源高渗透率带来的挑战，保障配电网的安全、稳定和经济运行，促进能源转型。

📄 摘要（原文）

The growing penetration of distributed energy resources (DERs), electric vehicles (EVs), and heat pumps (HPs) in distribution networks underscores the need for secure, computationally efficient optimal power flow (OPF) solutions. Traditional OPF formulations often suffer from scalability limitations and may rely on relaxations/approximations whose exactness is not guaranteed. This paper proposes a framework in which a trained neural network (NN) surrogate is embedded directly within the OPF as a constraint replacement. Specifically, the nonlinear power-flow-to-voltage mapping is replaced by an exact mixed-integer linear encoding of the NN (i.e., the NN input-output map is represented without approximation), while all remaining OPF constraints are preserved. Using a realistic low-voltage network with integrated PV, EVs, and HPs, the proposed method achieves high voltage accuracy during post-solution AC power flow validation, with maximum deviations of less than 1.0 V in the examined test cases. The resulting NN-OPF problems are solved to global optimality within the MILP solver tolerance, and numerical results demonstrate substantially reduced computation time compared to nonlinear OPF models, with performance competitive with SOCP-based DistFlow formulations.