电气工程与系统科学 > 系统与控制
[提交于 2025年7月18日
]
标题: 将预测模型整合到稳态分析和优化中
标题: Integrating Forecasting Models Within Steady-State Analysis and Optimization
摘要: 极端天气变化和负荷行为日益增加的不可预测性使得确定对不确定性具有鲁棒性的电力调度变得困难。 虽然机器学习(ML)方法提高了建模由负荷和可再生能源引起的不确定性的能力,但将这些预测及其敏感性准确地整合到稳态分析和决策策略中仍然是一个开放性挑战。 为了实现这一目标,我们提出了一种通用的方法,该方法能够无缝地将基于机器学习的预测引擎嵌入基于物理的潮流计算和电网优化工具中。 通过将基于物理的电网建模与黑箱机器学习方法相结合,我们通过直接将训练好的机器学习预测模型的输入和输出集成到潮流计算和电网优化的数值方法中,准确捕捉负荷和天气事件的行为和敏感性。 在不拟合代理负荷模型的情况下,我们的方法直接从数据中获取敏感性,以准确预测预测设备对电网变化的响应。 我们的方法结合了通过反向传播获得的预测设备的敏感性和基于物理定义的电网设备的敏感性。 我们通过展示敏感性计算的改进,并利用这些改进设计一种稳健的电力调度,从而证明了我们方法的有效性,该调度在随机天气事件下提高了电网可靠性。 我们的方法使系统对外部因素的敏感性计算成为可能,这支持了更广泛的分析,在负荷波动和极端天气条件下提高了电网的可靠性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.