[論文レビュー] Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach

Xingyu Lei, Zhifang Yang+4 more|arXiv (Cornell University)|May 31, 2020

Machine Learning and ELM参考文献 40被引用数 9

ひとこと要約

本稿では、スタックド極端学習機械（SELM）フレームワークを用いた、データ駆動型最適潮流（OPF）のための物理情報付き機械学習手法を提案する。OPFの特徴を3段階に分解し、アクティブ制約に基づく事前分類を採用することで、高速な学習、学習複雑度の低減、およびIEEEおよびポーランド系統での高い精度を達成した。他の手法と比較して、最小限のハイパーパrameterチューニングで優れた性能を発揮した。

ABSTRACT

This paper proposes a data-driven approach for optimal power flow (OPF) based on the stacked extreme learning machine (SELM) framework. SELM has a fast training speed and does not require the time-consuming parameter tuning process compared with the deep learning algorithms. However, the direct application of SELM for OPF is not tractable due to the complicated relationship between the system operating status and the OPF solutions. To this end, a data-driven OPF regression framework is developed that decomposes the OPF model features into three stages. This not only reduces the learning complexity but also helps correct the learning bias. A sample pre-classification strategy based on active constraint identification is also developed to achieve enhanced feature attractions. Numerical results carried out on IEEE and Polish benchmark systems demonstrate that the proposed method outperforms other alternatives. It is also shown that the proposed method can be easily extended to address different test systems by adjusting only a few hyperparameters.

研究の動機と目的

• 複雑なシステム状態関係のため、データ駆動型手法を最適潮流（OPF）に適用する課題に対処すること。
• モデルを3つの異なる段階に分解することで、学習複雑度を低減し、OPF回帰におけるバイアスを是正すること。
• アクティブ制約の同定に基づくサンプル事前分類戦略を用いて、特徴表現を向上させること。
• 異なる電力系統に容易に適応可能なスケーラブルで、高速なトレーニングが可能なフレームワークを構築すること。

提案手法

• 深層学習と比較して、パラメータフリーな高速トレーニングが可能なスタックド極端学習機械（SELM）フレームワークを採用する。
• 学習プロセスの簡素化と一般化性能の向上を図るため、OPFモデルを3段階に分解する。
• 特徴抽出とモデル精度の向上を目的として、アクティブ制約を同定するための事前分類戦略を導入する。
• 物理的電力系統制約を機械学習フレームワークに統合し、物理的整合性のある予測を保証する。
• 歴史的システム運転データを用いてモデルをトレーニングし、システム状態から最適ディスpatch解へのマッピングを実現する。
• ハイパーパrameterのチューニングを最小限に抑え、新しいテストシステムへの容易な適応を可能にする。

実験結果

リサーチクエスチョン

• RQ1 極端学習機械に基づくデータ駆動型手法は、広範なハイパーパrameterチューニングなしで、最適潮流において高い精度を達成できるか？
• RQ2 OPFモデルを3段階に分解することで、学習効率が向上し、バイアスが低減する仕組みは何か？
• RQ3 アクティブ制約同定に基づく事前分類は、OPF回帰における特徴表現をどの程度向上させるか？
• RQ4 物理情報付き設計は、機械学習予測が物理的に妥当な範囲に保たれることをどのように保証するか？
• RQ5 提案手法は、最小限の再構成で、さまざまな電力系統のテストケースに容易に一般化可能か？

主な発見

• 提案手法は、IEEEおよびポーランドのベンチマークシステムにおいて、他のデータ駆動型手法と比較して優れた性能を発揮した。
• アクティブ制約に基づく事前分類の活用が、特徴の捕捉とモデル精度を顕著に向上させた。
• SELMフレームワークにより、時間のかかるハイパーパrameterチューニングを回避し、計算コストを低減した。
• 多様なテストシステムにおいても高い精度を維持し、優れた一般化能力を示した。
• 新しいシステムへのモデル拡張に必要なハイパーパrameterはわずかに数個にとどまり、スケーラビリティを確認した。