[論文レビュー] DeepOPF+: A Deep Neural Network Approach for DC Optimal Power Flow for Ensuring Feasibility

Tianyu Zhao, Xiang Pan+3 more|arXiv (Cornell University)|Sep 7, 2020

Optimal Power Flow Distribution参考文献 22被引用数 8

ひとこと要約

DeepOPF+ は、トレーニング中に発電機および線路の制限をキャリブレーションすることで、物理的制約に違反する近似誤差を防ぐ、DC最適潮流（OPF）のディープニューラルネットワーク手法である。この手法は、IEEE 30、118、200、300 バス系において、2%未満の最適性損失と100倍の高速化を達成しながら100%の妥当な解を提供する。

ABSTRACT

Deep Neural Networks (DNNs) approaches for the Optimal Power Flow (OPF) problem received considerable attention recently. A key challenge of these approaches lies in ensuring the feasibility of the predicted solutions to physical system constraints. Due to the inherent approximation errors, the solutions predicted by DNNs may violate the operating constraints, e.g., the transmission line capacities, limiting their applicability in practice. To address this challenge, we develop DeepOPF+ as a DNN approach based on the so-called "preventive" framework. Specifically, we calibrate the generation and transmission line limits used in the DNN training, thereby anticipating approximation errors and ensuring that the resulting predicted solutions remain feasible. We theoretically characterize the calibration magnitude necessary for ensuring universal feasibility. Our DeepOPF+ approach improves over existing DNN-based schemes in that it ensures feasibility and achieves a consistent speed up performance in both light-load and heavy-load regimes. Detailed simulation results on a range of test instances show that the proposed DeepOPF+ generates 100% feasible solutions with minor optimality loss. Meanwhile, it achieves a computational speedup of two orders of magnitude compared to state-of-the-art solvers.

研究の動機と目的

• 高負荷域における近似誤差に起因するDNNベースの最適潮流における不適解の問題に対処すること。
• 既存のDNNベースのOPF手法で一般的に用いられる計算コストの高い後処理手順に依存しないこと。
• 軽負荷および重負荷の両運転状態において、予測解の普遍的な妥当性を保証すること。
• 大規模電力系において、近似的最適性能を維持しつつ、顕著な計算高速化を達成すること。

提案手法

• 近似誤差を予測できるように、DNNトレーニング中にシステム制約（発電および線路制限）をキャリブレーションする予防的学習フレームワークを提案する。
• 制約キャリブレーションの大きさとDNN近似誤差の上界との理論的関係を提示し、妥当性を保証する。
• 負荷プロファイルから発電機ディスpatch値へのマッピングをDNNで学習し、トレーニングプロセスにおいてキャリブレーション済みの制約を用いる。
• PyTorchを用いたマルチレイヤーDNNアーキテクチャを採用し、バッチサイズ64、200エポックで学習を実施。精度と制約満たしの両方を最適化する重み付き損失関数を用いる。
• トレーニング中に最大発電出力および線路潮流容量を0.5%〜7%低くすることで、安全余裕を確保する。
• PyPSAおよびMATPOWERからの真値解と照合して予測値を検証し、妥当性と最適性を確認する。

実験結果

リサーチクエスチョン

• RQ1 DNNベースのアプローチは、後処理を一切行わずに、多様な負荷状態において100%の妥当な解を達成できるか？
• RQ2 妥当性を保証しつつ最適性損失を最小限に抑えるために必要な、システム制約の最小キャリブレーション量は何か？
• RQ3 提案された予防的キャリブレーションフレームワークは、後処理ベースの手法と比較して、計算速度および妥当性の面でどのように優れているか？
• RQ4 制約キャリブレーションが、予測解と真の最適解との間の最適性ギャップに及ぼす影響はどの程度か？
• RQ5 本手法は、セキュリティ制約付きOPFやAC-OPF問題など、他のOPF変種にも一般化可能か？

主な発見

• DeepOPF+ は、適切な制約キャリブレーションにより、IEEE 30、118、200、300 バス系すべてで100%の妥当な解を達成した。
• 従来の最適化ソルバからの真値最適解と比較して、予測解の最適性損失は1.94%未満であった。
• IEEE 30 バス系では3.5%のキャリブレーションで100%の妥当性が達成可能であり、118 バス系では5%、300 バス系では7%のキャリブレーションが必要であった。
• DeepOPF+ は、最先端の従来型OPFソルバーよりも2桁（100倍）の高速化を達成した。
• 既存手法が高負荷下で不適解を生じるのとは異なり、DeepOPF+ は軽負荷および重負荷の両状態で高い性能を維持した。
• 妥当性と最適性にはトレードオフがある：キャリブレーション量を大きくすると妥当性は向上するが、最適性損失も増加する。これにより、最小限で効果的なキャリブレーションの必要性が浮き彫りになった。