友情链接:
合作联系
|
ASPEN培训课程
电力系统优化调度人员、AI算法工程师、电网规划工程师、电力系统研究人员。
理解电网潮流计算与优化的基本概念（潮流方程、最优潮流OPF）。
掌握传统优化方法（线性规划、非线性规划、混合整数规划）与AI方法（机器学习、深度学习）在电网优化中的应用。
能够独立开发基于AI的潮流优化算法，实现电网的经济运行与安全约束优化。
电网潮流计算基础：潮流计算的基本概念（节点电压、支路功率、网损）；节点类型（平衡节点、PQ节点、PV节点）；牛顿-拉夫逊法潮流计算；快速分解法潮流计算；潮流计算在电网分析中的应用。
最优潮流（OPF）概述：OPF的定义与目标（在满足安全约束下实现经济最优）；OPF的数学模型（目标函数+等式约束+不等式约束）；OPF的分类（直流OPF、交流OPF）；OPF的应用场景（经济调度、电压控制、无功优化）。
传统OPF求解方法：线性规划（LP）法（将非线性问题线性化）；非线性规划（NLP）法（内点法、序列二次规划SQP）；混合整数规划（MIP）法（考虑离散变量如变压器分接头）；传统方法的优缺点。
机器学习在潮流优化中的应用：监督学习用于近似潮流方程；输入特征（节点注入功率、电压）；输出标签（节点电压、支路潮流）；训练数据的生成（离线潮流计算）；神经网络近似模型的精度。
深度学习加速潮流计算：卷积神经网络（CNN）用于处理电网拓扑结构；图神经网络（GNN）在电网建模中的优势（处理非欧几里得结构）；物理信息神经网络（PINN）在潮流求解中的应用；端到端的潮流求解。
基于代理模型的OPF：代理模型的概念（用机器学习模型替代OPF中的约束条件）；构建潮流约束的代理模型；将代理模型嵌入优化框架；代理模型的误差修正；计算效率的提升。
深度强化学习在OPF中的应用：强化学习的基本概念（智能体、状态、动作、奖励）；将OPF问题建模为马尔可夫决策过程（MDP）；深度确定性策略梯度（DDPG）在连续动作空间OPF中的应用；多智能体强化学习在分布式优化中的应用。
安全约束最优潮流（SCOPF）：SCOPF的概念（考虑N-1预想事故）；预想事故集的生成；SCOPF的数学模型（基态约束+事故后约束）；SCOPF的求解难度；基于AI的SCOPF加速方法。
经济调度与机组组合：经济调度的目标（最小化发电成本）；机组组合问题（考虑启停成本）；混合整数线性规划（MILP）求解；基于深度学习的机组组合加速；新能源接入下的不确定性处理。
无功优化与电压控制：无功优化的目标（降低网损、改善电压质量）；控制变量（发电机端电压、变压器变比、无功补偿装置）；基于AI的无功优化（预测电压越限、推荐控制策略）。
分布式优化与边缘计算：分布式OPF的架构（分解协调）；交替方向乘子法（ADMM）在分布式OPF中的应用；边缘计算节点上的局部优化；全局协调机制；通信约束的处理。
综合实战项目：基于IEEE标准测试系统（如IEEE 14/30/118节点）的AI潮流优化算法开发，包含潮流数据生成、GNN代理模型构建、基于代理模型的OPF求解、与传统内点法的对比验证、性能评估。
