[論文レビュー] Data-driven Decision Making with Probabilistic Guarantees (Part 1): A Schematic Overview of Chance-constrained Optimization

Xinbo Geng, Le Xie|arXiv (Cornell University)|Mar 25, 2019

Risk and Portfolio Optimization参考文献 68被引用数 13

ひとこと要約

本稿は、確率的妥当性保証を提供するが特定の確率分布を仮定しないデータ駆動型確率的制約最適化の包括的レビューとオープンソースツールボックスを提示する。確率的制約を標準最適化ソルバが処理可能な形に自動的に変換するための ConvertChanceConstraint (CCC) ツールボックスを導入し、複数のソルバーや問題タイプにおいて効率的な実装を可能にする。

ABSTRACT

Uncertainties from deepening penetration of renewable energy resources have posed critical challenges to the secure and reliable operations of future electric grids. Among various approaches for decision making in uncertain environments, this paper focuses on chance-constrained optimization, which provides explicit probabilistic guarantees on the feasibility of optimal solutions. Although quite a few methods have been proposed to solve chance-constrained optimization problems, there is a lack of comprehensive review and comparative analysis of the proposed methods. Part I of this two-part paper reviews three categories of existing methods to chance-constrained optimization: (1) scenario approach; (2) sample average approximation; and (3) robust optimization based methods. Data-driven methods, which are not constrained by any particular distributions of the underlying uncertainties, are of particular interest. Part II of this two-part paper provides a literature review on the applications of chance-constrained optimization in power systems. Part II also provides a critical comparison of existing methods based on numerical simulations, which are conducted on standard power system test cases.

研究の動機と目的

• 電力系統における確率的制約最適化のための数学的定式化と計算アルゴリズムについて、包括的かつ最新のレビューを提供すること。
• 既存の確率的制約問題の解法に関する比較分析と体系的レビューの不足に対処すること。
• 確率的制約をソルバ互換形式に自動再定式化するオープンソース MATLAB ツールボックス（ConvertChanceConstraint）の開発。
• 分布の仮定なしに確率的妥当性保証を提供することで、不確実性下でのデータ駆動型意思決定を支援すること。
• YALMIP を介して主要な最適化ソルバーと統合することで、再現可能性の向上と広範な採用を促進すること。

提案手法

• 主に3つの方法論カテゴリをレビュー：シナリオアプローチ、標本平均近似（SAA）、ロバスト最適化に基づく手法。
• シナリオアプローチを用いて、サンプルされたシナリオを用いて確率的制約を決定的制約に変換し、外れサンプルの妥当性に関する理論的保証を提供。
• 標本平均近似（SAA）を適用して確率的制約を経験的平均に変換し、混合整数計画問題として解ける形に変換。
• 凸近似技術（例：CVaRに基づく手法）を用いて、確率的制約を効率的な凸最適化に適した凸形式に緩和。
• YALMIP 上に構築されたモジュラー MATLAB ツールボックス（ConvertChanceConstraint）を実装し、Gurobi や CPLEX、Mosek などの主要ソルバとのシームレスなインターフェースを実現。
• 評価された解の後方確率的保証と外れサンプルにおける違反確率を計算する統計的検証関数を統合。

実験結果

リサーチクエスチョン

• RQ1 異なるデータ駆動型確率的制約最適化手法は、解の品質、過剰保守性、計算効率の観点でどのように比較されるか？
• RQ2 電力系統応用の文脈において、シナリオアプローチ、SAA、ロバスト最適化に基づく手法の理論的基盤と確率的保証は何か？
• RQ3 統一的でオープンソースのツールボックスは、多様な最適化ソルバーや問題例において、確率的制約の再定式化を効果的に自動化できるか？
• RQ4 標準的な電力系統テストケースにおいて、異なる手法の解は妥当性と最適性の観点でどのように性能を発揮するか？
• RQ5 データサイズとサンプリング戦略の影響は、得られる解の信頼性と保守性にどのように及ぶか？

主な発見

• シナリオアプローチは、サンプル数に依存する違反確率の理論的境界を用いて、外れサンプルの妥当性に対して強い確率的保証を提供する。
• 標本平均近似（SAA）は、確率的制約を混合整数計画問題に変換し、商業ソルバを用いて正確に解けるが、計算コストが高くなる傾向がある。
• 条件付きリスク価値（CVaR）に基づく凸近似手法は、大規模問題に適した、取り扱い可能な凸緩和を提供する。
• ConvertChanceConstraint (CCC) ツールボックスは、複数のソルバと互換性のある形式に確率的制約を効果的に自動再定式化でき、再現可能性と使いやすさを向上させた。
• 標準的な電力系統テストケースにおける数値シミュレーションから、手法の選択が解の保守性と最適性に顕著な影響を与えることが示され、計算負荷と妥当性保証のトレードオフが存在することが明らかになった。
• ツールボックスは、外れサンプルにおける違反確率推定や後方保証計算を含む、効率的な後処理分析を可能にし、実運用への導入に不可欠な要素を満たしている。