原文信息（包括题目、发表期刊、原文链接等）： DeepOPF: A Deep Neural Network Approach for Security-Constrained DC Optimal Power Flow https://ieeexplore.ieee.org/document/9205647
原文作者：Xiang Pan; Tianyu Zhao; Minghua Chen; Shengyu Zhang
论文解读者：唐博
编者按：在当今这个数字化、智能化飞速发展的时代，深度学习技术以其强大的数据处理能力和模型泛化能力，为电力系统的优化提供了新的解决思路。本文将解读“DeepOPF: A Deep Neural Network Approach for Security-Constrained DC Optimal Power Flow”，带您深入了解一种创新的深度学习算法——DeepOPF，详细讨论其核心思想、技术细节以及实验验证。通过阅读本文，您将对这一前沿技术有的一定认识，了解它是如何在保证电力系统安全的同时，提高其求解效率。 由于本人的研究方向不曾涉及到电力系统的优化问题，在这个领域的知识储备相当有限，因此文中关于电力系统的部分可能存在疏漏或不足之处。我在此诚恳地请求各位读者的宽容与理解，并热切期待您们提出宝贵的意见和建议。我衷心希望广大读者能够不吝赐教，与我共同探讨和交流。最后，我也要特别感谢赵田田和biubiu同学为这篇文章慷慨分享了建议和指正。
背景最优潮流（Optimal Power Flow，OPF）是从电力系统优化运行的角度来调整系统中如发电机等各种控制设备的参数，以实现如发电成本的最小化的优化问题。在优化过程中，需要考虑电力系统中所有的物理、操作和技术约束条件。直流最优潮流（DC-OPF）作为一种简化模型，它基于假设电力系统的功率流遵循直流功率流方程。这种假设将最优潮流转化为一个凸优化问题，简化了求解过程。
实验验证论文采用了四个IEEE标准测试用例（IEEE Case-30、57、118、300）来验证DeepOPF的性能。这些测试用例分别代表小规模、中规模和大规模电力网络。实验在不同的运行条件下进行了测试，包括典型运行条件、轻度拥塞和严重拥塞条件。此外，论文还对不同的神经网络规模和训练数据量进行了实验。
论文使用了可行解的百分比、目标成本、运行时间、（和用Gurobi直接求解的）加速比这四个主要指标来评价DeepOPF的性能。在典型运行条件下，DeepOPF在IEEE Case-30、57、118测试用例中产生了100%的可行解，并且相对于Gurobi求解器在计算时间上加速了2个数量级。在较大的IEEE Case-300中，虽然有18.3%的解不满足物理约束，但通过后处理步骤修正后，仍能获得可行解，并且整体的加速比依然保持在较高水平。在轻度和严重阻塞条件下，尽管未经后处理的DeepOPF产生的解无法满足所有约束，但经过后处理后，仍能获得100%的可行解。虽然后处理过程导致加速比有所下降，但DeepOPF与传统方法相比，仍然具有显著的性能优势。
总结总体而言，DeepOPF利用神经网络直接输出优化问题的解。该方法首先通过在损失函数中引入惩罚项，模型能够以软约束的形式纳入特定的约束条件，从而在训练过程中自然地引导解向可行域靠拢。其次，模型的设计允许它隐式地满足某些特定约束。此外，对于等式约束，DeepOPF通过求解线性方程组来确保其得到满足。这一系列技术的组合具有广泛的适应性，能够扩展到一些其他类型的优化问题上，例如，交流最优潮流问题（AC-OPF）、供应链优化、投资组合，甚至在一些传统方法难以轻松求解的非凸优化问题都有应用的潜力。
