[論文レビュー] A Learning-boosted Quasi-Newton Method for AC Optimal Power Flow

Kyri Baker|arXiv (Cornell University)|Jul 12, 2020

Power System Optimization and Stability参考文献 19被引用数 16

ひとこと要約

本稿では、ニュートン・ラプソン法のヤコビ行列の逆行列計算を置き換える深層ニューラルネットワークを用いた学習強化型準ニュートン法を、AC最適潮流（OPF）に提案する。モデルは学習データから反復的勾配降下方向を学習し、ヤコビ行列の計算を回避することで、収束を高速化する。収束は安定的であり、1,354バスの大型システムにおいて、最先端のソルバーよりも最大22.5倍速く解を得ることができ、最適性ギャップは低く、中程度の実行可能性誤差を伴う。

ABSTRACT

Power grid operators typically solve large-scale, nonconvex optimal power flow (OPF) problems throughout the day to determine optimal setpoints for generators while adhering to physical constraints. Despite being at the heart of many OPF solvers, Newton-Raphson can be slow and numerically unstable. To reduce the computational burden associated with calculating the full Jacobian and its inverse, many Quasi-Newton methods attempt to find a solution to the optimality conditions by leveraging an approximate Jacobian matrix. In this paper, a Quasi-Newton method based on machine learning is presented which performs iterative updates for candidate optimal solutions without having to calculate a Jacobian or approximate Jacobian matrix. The proposed learning-based algorithm utilizes a deep neural network with feedback. With proper choice of weights and activation functions, the model becomes a contraction mapping and convergence can be guaranteed. Results shown for networks up to 1,354 buses indicate the proposed method is capable of finding approximate solutions to AC OPF very quickly.

研究の動機と目的

• 大規模AC OPFにおけるニュートン・ラプソン法の計算負荷と数値的不安定性を軽減するため、高価なヤコビ行列計算と悪条件な行列の問題に対処する。
• 大規模送電系統向けに、行列の逆行列計算を回避しながらも、解の品質を維持する高速でリアルタイム対応可能なOPFソルバを開発する。
• 機械学習を活用して最適化プロセスにおける降下方向を学習し、明示的なヤコビ行列構築を回避する。
• 適切なネットワーク重みと活性化関数の設計により、収縮写像の性質を活かして収束を保証する。
• 実際のシステムにおける性能を評価し、1秒ごとの動的負荷変化の追跡能力を検証する。

提案手法

• 完全結合型の3層フィードフォワードニューラルネットワーク $F_R$ を、現在の候補解 $\mathbf{x}^k$ を次の反復 $\mathbf{x}^{k+1}$ にマッピングするように学習させ、ニュートン・ラプソンの更新ステップを置き換える。
• ネットワークはニュートン・ラプソン反復から生成されたデータで学習され、ヤコビ行列やその逆行列を計算せずに降下方向を模倣する。
• ネットワークはフィードバック接続を備え、再帰的ネットワークのように機能し、収束条件 $||\mathbf{x}^{k+1} - \mathbf{x}^k|| \leq \epsilon$ を満たすまで反復的に解を改善する。
• 適切な重み初期化と活性化関数を用いることで、ネットワークが収縮写像として設計されれば、収束が保証される。
• 変数の上限・下限は出力層でのしきい値処理により強制され、実行可能性は推論後に行う。
• 行列の逆行列計算を完全に排除することで、悪条件なヤコビ行列の問題を回避し、学習された動的挙動に依存する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、ヤコビ行列の明示的計算なしに、AC OPFにおけるニュートン・ラプソン更新ステップを効果的に学習・置き換えられるか？
• RQ2 提案手法は、大規模AC OPF問題において、従来のソルバーよりも高速な収束を達成できるか？
• RQ3 数値的不安定性を回避しながら、計算時間を著しく短縮したとしても、解の品質（最適性ギャップ）を維持できるか？
• RQ4 1秒ごとの負荷変更のようなシステム状態の動的変化を、従来のソルバーよりもどれほど正確に追跡できるか？
• RQ5 特に1,354バスの大型システムにおいて、解の速度と実行可能性のトレードオフはどのようなものか？

主な発見

• 1,354バス系において、学習強化型手法はMIPSソルバーよりも最大22.5倍速く解を得ており、テストケース全体で平均最適性ギャップは1.16%であった。
• 1,354バス系では、潮流方程式の平均制約違反が9.95 puに達しており、より多くの学習データやモデルの複雑化が必要であることが示唆された。
• 近似手法ではあるが、実時間での負荷変化（1秒ごと）の追跡精度がMATPOWERを上回り、MATPOWERは1回の解法にほぼ3秒を要した。
• 500バス系では、学習強化型手法が計算時間のばらつきが小さく、定期的なインターバルでの導入に適していることが示された。
• 30バス系では、一部のケースでMIPSソルバーよりも平均制約違反が低く抑えられ、これは学習の許容誤差を厳しく設定したためと推測される。
• 収束は、ネットワークが収縮写像として設計されたことにより保証されており、反復的安定性が確保された。