机构名称：
¥ 1.0
摘要——我们提出了一种新颖的数据驱动方法来加速交替方向乘数法 (ADMM) 的收敛，该方法用于解决分布式直流最优潮流 (DC-OPF)，其中线路由独立的网络分区共享。利用对给定系统在不同负载下 ADMM 轨迹的先前观察，该方法训练循环神经网络 (RNN) 来预测对偶变量和共识变量的收敛值。给定系统负载的新实现，将少量初始 ADMM 迭代作为输入来推断收敛值并将其直接注入迭代中。我们通过经验证明，对于不同负载场景下的分区 14、118 和 2848 节点测试系统，将这些值在线注入 ADMM 迭代中可显著加快收敛速度。所提出的方法有几个优点：它保持了共识 ADMM 固有的私有决策变量的安全性；推理速度很快，因此可以在在线设置中使用； RNN 生成的预测可以显著缩短收敛时间，但从构造上讲，它永远不会导致不可行的 ADMM 子问题；它可以轻松集成到现有的软件实现中。虽然我们在本文中重点介绍分布式 DC-OPF 的 ADMM 公式，但所提出的想法自然会扩展到其他分布式优化问题。索引术语 — 直流最优功率流、递归神经网络、交替方向乘数法、机器学习、数据驱动优化
用于分布式直流最优潮流的学习加速 ADMM
主要关键词
相关文件推荐
