ترجمه فارسی مقاله فراتر از مه عصبی: یادگیری تفسیری برای پخش بهینه توان AC

چکیده

The AC optimal power flow (AC-OPF) problem is essential for power system operations, but its non-convex nature makes it challenging to solve. A widely used simplification is the linearized DC optimal power flow (DC-OPF) problem, which can be solved to global optimality, but whose optimal solution is always infeasible in the original AC-OPF problem. Recently, neural networks (NN) have been introduced for solving the AC-OPF problem at significantly faster computation times. However, these methods necessitate extensive datasets, are difficult to train, and are often viewed as black boxes, leading to resistance from operators who prefer more transparent and interpretable solutions. In this paper, we introduce a novel learning-based approach that merges simplicity and interpretability, providing a bridge between traditional approximation methods and black-box learning techniques. Our approach not only provides transparency for operators but also achieves competitive accuracy. Numerical results across various power networks demonstrate that our method provides accuracy comparable to, and often surpassing, that of neural networks, particularly when training datasets are limited.

چکیده به فارسی (ترجمه ماشینی)

مشکل جریان بهینه جریان AC (AC-OPF) برای عملکرد سیستم قدرت ضروری است ، اما ماهیت غیر متمایز آن باعث می شود حل آن چالش برانگیز باشد.یک ساده سازی گسترده استفاده شده ، مشکل خطی بهینه جریان DC (DC-OPF) است که می تواند برای بهینه سازی جهانی حل شود ، اما راه حل بهینه آن همیشه در مشکل اصلی AC-OPF غیرقابل نفوذ است.اخیراً ، شبکه های عصبی (NN) برای حل مسئله AC-OPF در زمان محاسبه به طور قابل توجهی سریعتر معرفی شده اند.با این حال ، این روش ها به مجموعه داده های گسترده نیاز دارند ، آموزش دشوار است ، و اغلب به عنوان جعبه های سیاه مشاهده می شوند و منجر به مقاومت از طرف اپراتورهایی می شوند که راه حل های شفاف تر و قابل تفسیر را ترجیح می دهند.در این مقاله ، ما یک رویکرد جدید مبتنی بر یادگیری را معرفی می کنیم که سادگی و تفسیر را ادغام می کند و پلی بین روشهای تقریب سنتی و تکنیک های یادگیری جعبه سیاه را فراهم می کند.رویکرد ما نه تنها شفافیت را برای اپراتورها فراهم می کند بلکه به دقت رقابتی نیز می رسد.نتایج عددی در شبکه های مختلف قدرت نشان می دهد که روش ما صحت قابل مقایسه با شبکه های عصبی ، به ویژه هنگامی که مجموعه داده های آموزش محدود است ، قابل مقایسه با و اغلب فراتر از آن است.