找到 1 条结果 · Applied Energy
用于交流最优潮流的高效计算数据合成：融合物理信息神经网络求解器与主动学习
Computationally efficient data synthesis for AC-OPF: Integrating Physics-Informed Neural Network solvers and active learning
Jiahao Zhang · Ruo Peng · Chenbei Lu · Chenye Wu · Applied Energy · 2025年1月 · Vol.378
摘要 本研究针对在发布保护隐私的交流最优潮流（AC Optimal Power Flow, AC-OPF）运行数据时面临的隐私性、实用性与效率性挑战展开研究。传统方法在差分隐私（Differential Privacy, DP）框架下向运行数据（即负荷需求数据和调度配置文件）中注入噪声，但此类操作常导致数据违反物理约束，产生不现实且不可行的结果，从而降低数据的实用性。尽管基于AC-OPF求解器的双层后处理优化能够强制实现物理可行性，但由于后处理目标与AC-OPF本身目标之间存在偏差，仍会导致结果...
解读: 该研究提出的物理信息神经网络(PINN)求解AC-OPF方法,对阳光电源储能系统(ST系列PCS、PowerTitan)和光伏逆变器(SG系列)的智能调度具有重要价值。通过主动学习加速优化计算,可应用于iSolarCloud平台的实时能量管理系统,在保护用户隐私前提下实现多站点协同优化。该技术能显著...