再生可能発電を伴う結合機会制約付き最適電力潮流のための深い分位回帰に基づく代理モデル【JST・京大機械翻訳】

Chen Ge; Zhang Hongcai; Hui Hongxun; Song Yonghua

プレプリント

J-GLOBAL ID：202202212359604582 整理番号：22P0329341

再生可能発電を伴う結合機会制約付き最適電力潮流のための深い分位回帰に基づく代理モデル【JST・京大機械翻訳】

Deep-quantile-regression-based surrogate model for joint chance-constrained optimal power flow with renewable generation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月11日プレプリントサーバーでの情報更新日： 2022年04月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

共同機会制約最適電力フロー(JCC-OPF)は,分散型再生可能発電からの不確実性を管理するための有望なツールである。しかし,ほとんどの既存の研究は,多くの配電システムで観測できない正確なネットワークパラメータを必要とする電力潮流方程式に基づいている。この問題に取り組むために,本論文では,再生可能発電によるJCC-OPFのための学習ベース代理モデルを提案した。このモデルは,分位ベース形式における関節機会制約を等価に変換し,それらを複製するために深層分位回帰を導入し,その中で,多層パーセプトロン(MLP)を特別な損失関数で訓練し,制約違反の分位数を予測した。別のMLPは,予想される電力損失を予測するために訓練された。次に,JCC-OPFを,これらの2つのMLPを混合整数線形制約に再定式化することによって,ネットワークパラメータなしで定式化することができた。その性能をさらに改善するために,2つの前処理段階,すなわち,データ増強とキャリブレーションを開発した。前者は,MLPsの予測精度を高めるために,より多くの訓練サンプルを生成するシミュレータを訓練する。後者はMLPsの予測を較正するための正のパラメータを設計し,解の実現可能性を保証できる。IEEE33および123バスシステムに基づく数値実験は,提案モデルがネットワークパラメータを必要とせずに望ましい実現可能性と最適性を同時に達成できることを検証した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

電力系統一般

, , ,

前のページに戻る