Samuel N. Okhuegbe · Adedasola A. Ademola · Yilu Liu · IEEE Transactions on Industry Applications · 2024年12月

潮流计算是许多电力系统研究的基础。随着可再生能源渗透率的提高，电网规划者倾向于在各种运行条件下进行多次潮流模拟，而不仅仅是在高峰或轻载条件下选取特定时刻进行模拟。对于电网规划者而言，尤其是在大型电网中，使交流潮流（ACPF）计算收敛仍是一项重大挑战。本文提出了一种两阶段方法来提高牛顿 - 拉夫逊交流潮流计算的收敛性，并将其应用于拥有6102个母线的得克萨斯州电力可靠性委员会（ERCOT）系统。第一阶段采用基于深度学习的初始化方法并进行数据再训练。在此阶段，开发了一个深度神经网络（DNN）初始化器...

解读: 从阳光电源的业务视角来看，这项基于深度学习和同伦延拓法改进牛顿-拉夫逊潮流计算收敛性的研究具有重要的战略价值。随着公司光伏逆变器和储能系统在全球电网中的渗透率持续提升，电网规划面临的潮流计算挑战日益严峻，这项技术为解决大规模新能源并网场景下的电网仿真难题提供了创新思路。 该研究在6102节点的ER...