Inertia-Aware Optimal Power Flow Using PINN in IBR-Dominated Power Systems

📄 arXiv: 2607.09297v1 📥 PDF

作者: Mahyar Tofighi-Milani, Sajjad Fattaheian-Dehkordi, Franz Martin Rohrhofer, Matti Lehtonen

分类: eess.SY

发布日期: 2026-07-10

备注: Presented in EEEIC 2026 conference

💡 一句话要点

提出基于物理信息神经网络的最优潮流解决方案以应对低惯量电力系统挑战

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 最优潮流 物理信息神经网络 低惯量电力系统 可再生能源 电力系统优化

📋 核心要点

  1. 随着可再生能源比例的增加，传统的最优潮流（OPF）方法面临着系统惯量降低带来的重大挑战。
  2. 本文提出了一种基于物理信息神经网络（PINN）的框架，能够有效解决低惯量电力系统中的OPF问题，并引入了位置信息惯量约束。
  3. 在6 GW测试系统上的实验结果显示，所提方法的平均绝对误差（MAE）仅为系统总容量的0.045%，展现了其高准确性。

📝 摘要（中文）

最优潮流（OPF）问题是现代电力系统安全和经济运行的核心。然而，随着可再生能源的渗透增加和系统惯量的降低，传统优化方法面临重大挑战。本文提出了一种基于物理信息神经网络（PINN）的框架，专门用于解决可再生能源主导的低惯量电力系统中的OPF问题。与传统OPF模型不同，该模型明确引入了基于系统惯量强度的位置信息惯量约束，考虑了发电单元与扰动位置之间的电气距离。仿真结果表明，该方法在6 GW测试系统上具有高准确性，训练和测试数据集的平均绝对误差（MAE）约为系统总容量的0.045%。研究结果表明，所提出的PINN框架能够在确保遵循物理法则和惯量相关约束的同时，生成高精度的OPF解决方案。

🔬 方法详解

问题定义：本文旨在解决在可再生能源主导的低惯量电力系统中进行最优潮流（OPF）计算时，传统优化方法因系统惯量降低而面临的挑战。现有方法往往依赖于数据驱动，缺乏物理可行性和泛化能力。

核心思路：论文提出的PINN框架通过引入基于系统惯量强度的位置信息惯量约束，能够更好地反映发电单元与扰动位置之间的电气距离，从而提高OPF计算的准确性和可靠性。

技术框架：该框架包括数据预处理、PINN模型构建、训练过程和结果验证四个主要模块。首先，收集和处理电力系统数据；然后，构建包含物理约束的神经网络模型；接着，通过训练优化模型参数；最后，验证模型在测试集上的表现。

关键创新：最重要的创新在于将物理信息与神经网络结合，提出了位置信息惯量约束，使得模型不仅具备高效的计算能力，还能确保物理可行性，这是与传统方法的本质区别。

关键设计：在网络结构上，采用了多层感知机（MLP）架构，损失函数设计中结合了物理约束和数据拟合误差，以确保模型在训练过程中能够同时优化准确性和物理一致性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，所提出的PINN框架在6 GW测试系统上实现了平均绝对误差（MAE）约为0.045%，相较于传统方法显著提升了计算精度，确保了物理约束的遵循，展示了其在低惯量电力系统中的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括电力系统优化调度、可再生能源集成和智能电网管理。通过提高OPF计算的准确性和效率，能够为未来低惯量电力系统的安全和经济运行提供重要支持，促进可持续能源的发展。

📄 摘要（原文）

The problem of Optimal Power Flow (OPF) is central to the secure and economic operation of modern power systems. However, increasing renewable energy penetration, and decreasing system inertia pose significant challenges to conventional optimization-based OPF solvers. While machine learning approaches have demonstrated substantial computational speed-ups, purely data-driven methods often suffer from data dependency, limited generalization, and lack of guaranteed physical feasibility. This paper suggests a physics-informed neural network (PINN) framework for solving the OPF problem in renewable energy-dominated, low-inertia power systems. In contrast to conventional OPF formulations, the model explicitly incorporates a location-aware inertia constraint based on the concept of system inertia strength, which accounts for the electrical distance between generation units and disturbance locations. Simulation results on a 6 GW test system demonstrate high accuracy. The mean absolute error (MAE) for both the training and testing datasets is approximately 0.045% of the total system capacity. The findings demonstrate that the proposed PINN framework is capable of producing highly accurate OPF solutions while ensuring compliance with both physical laws and inertia-related constraints. Overall, the findings highlight the potential of physics-informed learning to enable secure, efficient, and computationally scalable OPF for future low-inertia power systems.