[論文レビュー] Adversarially Robust Learning for Security-Constrained Optimal Power Flow

Priya L. Donti, Aayushya Agarwal+3 more|arXiv (Cornell University)|Nov 12, 2021

Adversarial Robustness in Machine Learning被引用数 8

ひとこと要約

本稿では、設備障害を敵対的攻撃としてモデル化することで、スケーラブルなN-k 適応制約付き最適潮流（SCOPF）のための微分可能で勾配に基づくミニマックスフレームワークであるCAN∂Yを提案する。本手法は、電力網の物理的挙動と運用意思決定の勾配を効率的に計算するために暗黙的微分を活用し、4622バス系において3–4倍少ない妥当性違反で21分間でN-3 SCOPFを解ける。

ABSTRACT

In recent years, the ML community has seen surges of interest in both adversarially robust learning and implicit layers, but connections between these two areas have seldom been explored. In this work, we combine innovations from these areas to tackle the problem of N-k security-constrained optimal power flow (SCOPF). N-k SCOPF is a core problem for the operation of electrical grids, and aims to schedule power generation in a manner that is robust to potentially k simultaneous equipment outages. Inspired by methods in adversarially robust training, we frame N-k SCOPF as a minimax optimization problem - viewing power generation settings as adjustable parameters and equipment outages as (adversarial) attacks - and solve this problem via gradient-based techniques. The loss function of this minimax problem involves resolving implicit equations representing grid physics and operational decisions, which we differentiate through via the implicit function theorem. We demonstrate the efficacy of our framework in solving N-3 SCOPF, which has traditionally been considered as prohibitively expensive to solve given that the problem size depends combinatorially on the number of potential outages.

研究の動機と目的

• 大規模電力系統における組み合わせ的障害シナリオのためのN-k SCOPFの計算不能性に対処する。
• 最大k個の同時設備障害に耐性のある、スケーラブルで微分可能なフレームワークを構築する。
• 電力網の物理的挙動と運用意思決定の暗黙的微分を通じて、効率的な勾配ベース最適化を可能にする。
• 数十億の潜在的N-3障害を含む現実的なシステムにおいて、実用的なスケーラビリティを示す。

提案手法

• 最適潮流を防御者（ディフェンダー）と障害パターンを敵対的攻撃とみなす連続的ミニマックス最適化問題として定式化する。
• 障害選択を、電力網の物理的挙動と再配電意思決定の勾配情報を用いた、障害空間における投影勾配降下（PGD）攻撃としてモデル化する。
• 陰関数定理を用いて、潮流物理と障害後再配電を表す陰方程式の解を通じて微分を実行する。
• ソルバの構造を再利用し、構造的勾配計算により外側の最小化における計算効率を最適化する。
• すべてのN-kシナリオを明示的に列挙しないように、障害集合の連続的近似を用いる。
• エンド・トゥ・エンドのバックプロパゲーションを可能にするために、微分可能な最適化レイヤーを統合する。

実験結果

リサーチクエスチョン

• RQ1 敵対的耐性最適化技術は、現実の電力系統においてN-1やN-2を越えてN-k SCOPFをスケーリングするために適応可能か？
• RQ2 暗黙的微分を用いることで、潮流方程式と障害後再配電意思決定の勾配をどのように効率的に計算できるか？
• RQ3 勾配ベースミニマックスアプローチは、標準OPFやN-1 SCOPFソルバと比較して、N-kの妥当性違反をどの程度削減できるか？
• RQ4 明示的なシナリオ列挙なしに、大規模システム（例：4622バス）におけるN-3 SCOPFに本手法をスケーリング可能か？
• RQ5 攻撃フェーズで同定された最悪ケース障害は、実際のシステムの脆弱性とどのように一致するか？

主な発見

• CAN∂Yは、4622ノードの現実的電力系統において、380億以上の潜在的障害を含むN-3 SCOPFを、標準ラップトップでわずか21分で解釈できた。
• ベースライン最適潮流（OPF）アプローチと比較して、N-3の妥当性違反を3–4倍削減した。
• ベースラインN-1 SCOPFソルバと比較すると、CAN∂YはN-3の違反をほぼ5倍削減し、より高い順応性を示した。
• OPFが4,086件のN-3違反を発生させたが、そのうち931件はCAN∂Yでも違反していたが、残りの191件は排他的な違反であり、相補的な耐性を示した。
• 反復ごとのコストがkに依存しないため、シナリオ列挙の組み合わせ的爆発を回避しながら、N-3へのスケーリングが可能である。
• 勾配ベース攻撃を通じて最悪ケース障害を効果的に同定でき、敵対的耐性原理が電力系統最適化に適応可能であることを示した。