找到 2 条结果
基于物理信息图神经网络的不平衡配电系统协同动态重构与电压调节
Physics-Informed Graph Neural Networks for Collaborative Dynamic Reconfiguration and Voltage Regulation in Unbalanced Distribution Systems
Jingtao Qin · Rui Yang · Nanpeng Yu · IEEE Transactions on Industry Applications · 2025年1月
长期以来，网络重构一直被用作一种战略手段，以最小化配电系统损耗并有效调节电压水平。有载调压变压器对于控制母线电压也至关重要，特别是在应对具有间歇性输出的分布式能源资源（DER）日益增加的接入时。本文提出了新的方法，以应对不平衡三相配电系统中的动态重构和最优分接头设置挑战。我们提出了一个近似的混合整数二次约束规划（MIQCP）来对动态重构进行建模，并基于第一类特殊有序集（SOS1）首次提出了电压调节器（VR）分接头设置的公式。为了降低计算复杂度，我们提出了一种结合链路分类器的基于物理信息的时空图卷...
解读: 该物理信息图神经网络技术对阳光电源配电侧产品具有重要应用价值。在ST储能系统中，可实现多台储能变流器协同优化拓扑与电压调控，应对三相不平衡场景下的快速功率响应；在光储充一体化微网方案中，结合SG逆变器与充电桩的分布式接入，通过动态重构算法优化潮流分布，降低网损并改善电压质量。该方法融合物理约束的深度...
基于物理信息图学习的大规模机组组合问题求解
Solve Large-scale Unit Commitment Problems by Physics-informed Graph Learning
Jingtao Qin · Nanpeng Yu · IEEE Transactions on Power Systems · 2025年4月
机组组合（UC）问题通常建模为混合整数规划（MIP），并通过分支定界（B&B）算法求解。近年来，图神经网络（GNN）通过学习“下潜”与“分支”策略来增强现代MIP求解器的性能。然而，现有GNN模型多基于数学表达构建，在处理大规模UC问题时计算代价较高。本文提出一种物理信息引导的分层图卷积网络（PI-GCN），用于神经下潜，利用电力系统各组件的物理特征寻找高质量变量赋值；同时采用基于MIP模型的图卷积网络（MB-GCN）进行神经分支。将二者嵌入现代MIP求解器，构建面向大规模UC问题的新型神经求解...
解读: 该物理信息图学习求解大规模机组组合技术对阳光电源储能系统和微网调度具有重要应用价值。在PowerTitan大型储能系统中，可优化多储能单元的充放电调度策略，显著降低综合运行成本；在iSolarCloud云平台的智能运维模块，可实现光储充一体化场景下的实时优化调度，通过PI-GCN快速求解含数百台SG...