A Machine Learning Initializer for Newton-Raphson AC Power Flow Convergence
A Machine Learning Initializer for Newton-Raphson AC Power Flow Convergence
复制标题
牛顿-拉夫森交流潮流收敛的机器学习初始化器
DOI：
10.1109/tpec60005.2024.10472261
复制
发表时间：
2024
期刊：
影响因子：
--
通讯作者：
Liu, Yilu
中科院分区：
文献类型：
--
作者：
Okhuegbe, Samuel N;Ademola, Adedasola A;Liu, Yilu
潮流计算是许多电力系统研究的基础。由于功率流方程的非线性性质，获得收敛的功率流情况并不是一项简单的任务，尤其是在大型电网中。一个关键的挑战是广泛使用的基于牛顿的潮流方法对初始电压幅度和角度估计很敏感，并且错误的初始估计会导致不收敛。本文通过开发随机森林 (RF) 机器学习模型来解决这一挑战，以提供更好的初始电压幅度和角度估计，以实现潮流收敛。该方法在真实的 ERCOT 6102 总线系统上在各种操作条件下实施。通过提供更好的 Newton-Raphson 初始化，RF 模型从 3,899 个非收敛调度中沉淀出了 2,106 个案例的解决方案。这些情况无法从平坦启动或通过使用参考情况的电压解进行初始化来解决。与直流功率流初始化、线性回归和决策树相比，从 RF 初始化器获得的结果表现更好。
Power flow computations are fundamental to many power system studies. Obtaining a converged power flow case is not a trivial task especially in large power grids due to the non-linear nature of the power flow equations. One key challenge is that the widely used Newton based power flow methods are sensitive to the initial voltage magnitude and angle estimates, and a bad initial estimate would lead to non-convergence. This paper addresses this challenge by developing a random-forest (RF) machine learning model to provide better initial voltage magnitude and angle estimates towards achieving power flow convergence. This method was implemented on a real ERCOT 6102 bus system under various operating conditions. By providing better Newton-Raphson initialization, the RF model precipitated the solution of 2,106 cases out of 3,899 non-converging dispatches. These cases could not be solved from flat start or by initialization with the voltage solution of a reference case. Results obtained from the RF initializer performed better when compared with DC power flow initialization, Linear regression, and Decision Trees.
登录
查看更多内容
关于Newton-Raphson算法初始猜测的选择
影响因子：
4
作者：
F. Casella;B. Bachmann
通讯作者：
B. Bachmann
用于解决大型互连系统交流潮流的新型数据驱动分布式学习框架
影响因子：
3.8
作者：
B. Vyakaranam;Kaveri Mahapatra;Xinya Li;Heng Wang;P. Etingov;Z. Hou;Q. Nguyen;Tony B. Nguyen;N. Samaan;M. Elizondo;Todd Hay
通讯作者：
Todd Hay
为大型互连系统创建按时间顺序排列的交流潮流案例的自动化工具
影响因子：
3.8
作者：
B. Vyakaranam;Q. Nguyen;Tony B. Nguyen;N. Samaan;Renke Huang
通讯作者：
Renke Huang
学习交流最佳功率流的热启动点
DOI：
10.1109/mlsp.2019.8918690
发表时间：
2019
期刊：
2019 IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP)
影响因子：
--
作者：
K. Baker
通讯作者：
K. Baker
DOI：
10.1109/icmla52953.2021.00261
发表时间：
2021
期刊：
2021 20th IEEE International Conference on Machine Learning and Applications (ICMLA
影响因子：
--
作者：
Jeddi, Ashkan B.;Shafieezadeh, Abdollah
通讯作者：
Shafieezadeh, Abdollah