[論文レビュー] Confidence-Aware Graph Neural Networks for Learning Reliability Assessment Commitments

Seonho Park, Wenbo Chen+3 more|arXiv (Cornell University)|Nov 28, 2022

Power System Reliability and Maintenance被引用数 4

ひとこと要約

本稿では、不確実性の定量化を伴う信頼性評価委任（RAC）最適化を高速化するための信頼性認識型グラフニューラルネットワークフレームワーク、RACLearnを提案する。RACLearnは、発電機の委任とアクティブな線路制約を不確実性を伴って予測し、高い信頼性を持つ予測を選択し、多項式時間の妥当性回復手順を適用し、MIPソルバに初期解を供給することで、MISOのDA-FRACおよびLACシステムを含む実世界の送電ネットワークにおいて、最適性ギャップの損失が無視できる程度で2倍〜4倍の高速化を達成する。

ABSTRACT

Reliability Assessment Commitment (RAC) Optimization is increasingly important in grid operations due to larger shares of renewable generations in the generation mix and increased prediction errors. Independent System Operators (ISOs) also aim at using finer time granularities, longer time horizons, and possibly stochastic formulations for additional economic and reliability benefits. The goal of this paper is to address the computational challenges arising in extending the scope of RAC formulations. It presents RACLearn that (1) uses a Graph Neural Network (GNN) based architecture to predict generator commitments and active line constraints, (2) associates a confidence value to each commitment prediction, (3) selects a subset of the high-confidence predictions, which are (4) repaired for feasibility, and (5) seeds a state-of-the-art optimization algorithm with feasible predictions and active constraints. Experimental results on exact RAC formulations used by the Midcontinent Independent System Operator (MISO) and an actual transmission network (8965 transmission lines, 6708 buses, 1890 generators, and 6262 load units) show that the RACLearn framework can speed up RAC optimization by factors ranging from 2 to 4 with negligible loss in solution quality.

研究の動機と目的

• 再生可能エネルギーの統合拡大と時間枠の延長に伴い、電力システムにおける信頼性評価委任（RAC）定式化の計算負荷が増大する問題に対処すること。
• 高い予測不確実性を伴う大規模かつ時間に敏感なRAC問題に対して、従来のMILPソルバの限界を克服すること。
• 歴史的RACインスタンスに内在する構造的および時間的相関関係を活用して、最適化を高速化する機械学習モデルを訓練すること。
• 予測モデリングと不確実性の定量化、妥当性回復を統合したフレームワークを開発し、高品質で妥当な解を保証すること。
• 独立系システムオペレーター（ISOs）の意思決定を迅速化するために、RACの解法時間を短縮しつつ、信頼性と経済的パフォーマンスを維持すること。

提案手法

• 電力ネットワークのトポロジーと予測データから、発電機の委任とアクティブな送電線制約を同時に予測する、エンコーダ・デコーダ層を備えた新規なGNNアーキテクチャを設計する。
• エピステミック不確実性を推定し、各委任予測に信頼スコアを割り当てるために、GNNにモンテカルロドロップアウト（MCドロップアウト）を統合する。
• 最適化問題に固定する高信頼性予測のサブセット（例：上位30〜100%）を選択し、MIPソルバの探索空間を縮小する。
• 固定予測から生じる可能性のある非妥当な解を、最適性ギャップの増加を最小限に抑えながら妥当な解に変換する多項式時間の妥当性回復手順を適用する。
• 修復された妥当な解と予測されたアクティブな制約を用いて、最先端のMIPソルバに初期解を供給し、収束を加速する。
• 最適性ギャップを最小限に抑えつつスピードアップを最大化するように、歴史的RACインスタンスを用いてRACLearnフレームワーク全体をエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのモデルは、高い精度と低い計算コストで、高い不確実性を伴うRAC問題における発電機の委任とアクティブな線路制約を効果的に予測できるか？
• RQ2 MCドロップアウトから導出される信頼スコアは、実世界のRACシナリオにおいて予測精度とどの程度相関しているか？
• RQ3 高信頼性予測を固定することで、MIPソルバの高速化はどの程度達成可能であり、解の品質に悪影響を及えることはないか？
• RQ4 多項式時間の妥当性回復手順は、予測固定後に生じる非妥当な解を、信頼性高く高品質な妥当な解に変換できるか？
• RQ5 RACLearnフレームワークにおける固定委任数を変化させた際の、解の品質とスピードアップのトレードオフはいかなるものか？

主な発見

• MISOのDA-FRACおよびLAC定式化において、RACLearnは2倍から4倍のスピードアップを達成した。最高のスピードアップ（4倍）は、0.77%の最適性ギャップ損失を許容した場合に観察された。
• LACにおいて、高信頼性委任を最大100%まで固定した場合、最適性ギャップの増加はわずか0.09%にとどまり、CPU時間は50%削減された。
• 妥当性回復ステップは不可欠であった：すべての委任を固定した場合、DA-FRACインスタンスのうち31.17%しか妥当ではなかった。
• 信頼スコアは予測精度を強く示唆しており、LACケースでは90%の予測を固定した際、100%の高信頼性予測が正しく予測された。
• GNNベースのアーキテクチャは、深層および浅層のベースラインを上回り、予測精度とパラメータ効率の両面で優れており、大規模ネットワーク（例：8965回線、6708母線）へのスケーラビリティを実現した。
• さまざまなシナリオにおいて、フレームワークは近似的最適な解の品質を維持した。ほとんどの設定で幾何平均の最適性ギャップは、ベースラインから0.5%以内にとどまった。