Deep Learning-Based Optimal Power Flow Algorithm with Grid Topology-Variation Perception

doi:10.3390/en19194582

Deep Learning-Based Optimal Power Flow Algorithm with Grid Topology-Variation Perception

2026-09-28

0

OA

AI

DOI：10.3390/en19194582

原文链接

原文求助

摘要

En 中文

随着可再生能源资源渗透率的不断提高和电力系统运行条件的持续多样化，数据驱动方法因其能够处理大规模数据并提供快速推理，正成为电力系统规划与运行中实时最优潮流（OPF）决策的重要手段。然而，在随机运行条件和网络拓扑变化下，现有方法仍面临若干关键挑战，包括物理可解释性有限、新遇拓扑的训练样本不足以及跨不同网络结构的泛化能力不足。为解决这些问题，本文提出了一种面向拓扑变化的电力系统深度学习OPF方法。通过构建多拓扑域进行源域模型预训练，并采用基于支路导纳幅值的切比雪夫图卷积提取不同网络拓扑下的多阶电气耦合特征。当遇到未见拓扑时，利用预训练源域模型的参数初始化目标域模型，并依据目标拓扑重构图传播算子。进一步将物理引导信息纳入训练目标，并利用有限的目标域样本对模型进行微调，以获得拓扑自适应模型。在IEEE 118节点测试系统上的仿真研究表明，所提方法有效且性能优越。

Keyword:

optimal power flow

physics-guided Chebyshev graph convolution

transfer learning

topology-change awareness

Deep Learning-Based Optimal Power Flow Algorithm with Grid Topology-Variation Perception

摘要

期刊

机构

引用论文