基于物理引导图卷积的拓扑变化电力系统最优潮流方法

《Energies》：Deep Learning-Based Optimal Power Flow Algorithm with Grid Topology-Variation Perception

　　随着可再生能源渗透率的不断提高以及电力系统运行工况的日益多样化，数据驱动方法凭借其处理大规模数据和提供快速推理的能力，正在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的情况下，现有方法仍面临若干关键挑战，包括物理可解释性有限、针对新出现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，本文提出了一种基于深度学习的、适用于拓扑变化电力系统的OPF方法。构建了多个拓扑域用于源域模型预训练，同时采用以支路导纳幅值为权重的切比雪夫图卷积来提取不同网络拓扑下的多阶电气耦合特征。当遇到未见过拓扑时，利用预训练源域模型的参数来初始化目标域模型，并根据目标拓扑重新构建图传播算子。进一步将物理引导信息纳入训练目标函数，并使用有限数量的目标域样本对模型进行微调，从而获得拓扑自适应模型。基于IEEE 118节点测试系统的仿真研究表明，所提方法具有有效性和优越的性能。