MARC

 008260203s2023        us                              c    eng  d
■001000017365969
■00520260209102905
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263394677
■035    ▼a(MiAaPQ)AAI32315653
■035    ▼a(MiAaPQ)GeorgiaTech73177
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a343.09
■1001  ▼aBuason,  Paprapee.
■24510▼aSample-Based  Power  Flow  Approximations:  Computational  Methods,  Analysis,  and  Applications
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a142  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Molzahn,  Daniel  K.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aThe  non-convex  nature  of  the  power  flow  equations  poses  a  challenge  for  solving  various  power  system  optimization  and  control  problems.  To  address  these  challenges,  linear  approximations  are  often  employed.  However,  the  accuracy  of  these  linearizations  can  vary  depending  on  the  specific  characteristics  of  the  power  system  and  the  operational  range  in  which  they  are  applied.  Existing  linearizations  typically  rely  on  general  assumptions  that  apply  to  broad  classes  of  systems,  which  can  limit  their  accuracy  and  result  in  constraint  violations  when  applied  to  specific  systems.In  contrast  to  these  existing  approaches,  we  introduce  conservative  linear  approximations  of  the  power  flow  equations.  These  conservative  linearizations  intentionally  overestimate  or  underestimate  quantities  of  interest,  aiming  to  make  algorithms  more  tractable  while  avoiding  constraint  violations.  We  compute  these  conservative  linear  approximations  through  a  sample-based  method,  involving  the  solution  of  a  constrained  linear  regression  problem.Additionally,  we  introduce  a  class  of  approximations  based  on  rational  functions  with  linear  numerators  and  denominators.  This  choice  is  motivated  by  the  resulting  linear  inequality  constraints,  making  these  approximations  well-suited  for  optimization  formulations,  while  still  providing  enhanced  accuracy  compared  to  linear  functions.We  enhance  the  conservativeness  and  accuracy  of  our  approximations  through  an  iterative  sampling  method,  optimizing  these  functions  with  respect  to  the  relevant  quantities.  We  also  conduct  a  sample-complexity  analysis.  To  further  develop  our  approach,  we  establish  an  importance  sampling  method  for  constructing  linear  and  conservative  linear  approximations.  This  method's  objective  is  to  efficiently  improve  approximation  quality  by  selecting  the  most  informative  samples.  It  does  so  by  drawing  samples  from  a  relatively  low-dimensional  subspace  exhibiting  high  curvature.  This  approach  allows  us  to  obtain  highly  accurate  linear  approximations  with  significantly  fewer  samples  than  random  selection.  By  examining  the  relationships  between  the  voltage  magnitudes  and  the  active  and  reactive  power  injections,  we  characterize  the  performance  of  our  proposed  power  flow  approximations  for  a  range  of  test  cases.Furthermore,  we  examine  applications  of  conservative  linear  approximations  to  prove  their  effectiveness  in  an  optimal  sensor  placement  problem  that  we  formulate  as  a  bilevel  program.  In  the  optimal  sensor  placement  problem,  our  goal  is  to  place  a  minimal  number  of  sensors  and  avoid  false  sensor  alarms  in  the  upper  level  while  the  lower  level  ensures  that  these  sensors  will  detect  any  voltage  violations.  We  replace  the  nonlinear  power  flow  equations  with  conservative  linear  approximations  to  make  the  bilevel  problem  tractable.  With  conservative  linear  approximations,  we  can  ensure  that  the  resulting  sensor  locations  and  thresholds  are  sufficient  to  identify  any  constraint  violations.  Additionally,  we  apply  various  problem  reformulations  to  significantly  improve  computational  tractability  while  simultaneously  ensuring  an  appropriate  placement  of  sensors.  Lastly,  we  improve  the  quality  of  the  results  via  an  approximate  gradient  descent  method  that  adjusts  the  sensor  thresholds.  We  demonstrate  the  effectiveness  of  our  proposed  method  for  several  test  cases,  including  a  system  with  multiple  switching  configurations.Numerical  tests  demonstrate  that  our  power  flow  approximations  enhance  accuracy  compared  to  other  linear  approximations  and  prove  effective  in  optimization  problems.  In  future  research,  we  plan  to  leverage  machine  learning  techniques  for  our  power  flow  approximations,  extend  these  methods  to  other  parameters  (e.g.,  current  flows),  and  apply  them  to  additional  applications  like  capacity  expansion  planning  problems.
■590    ▼aSchool  code:  0078.
■650  4▼aViolations
■650  4▼aLinear  programming
■650  4▼aComputer  engineering
■653    ▼aConstraint  violations
■653    ▼aLinear  functions
■690    ▼a0464
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365969▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서