[論文レビュー] DeepOPF: A Deep Neural Network Approach for Security-Constrained DC Optimal Power Flow

Xiang Pan, Tianyu Zhao+2 more|arXiv (Cornell University)|Oct 30, 2019

Power System Optimization and Stability参考文献 67被引用数 30

ひとこと要約

DeepOPF は、負荷入力を発電出力および電圧位相角出力への高次元写像として学習する深層ニューラルネットワーク（DNN）アプローチを用いて、安全制約付き直流潮流最適化問題（SC-DCOPF）を解く。予測・再構成戦略を用いてモデルの複雑さを低減し、妥当性を保証するため ℓ₁-プロジェクションを採用することで、最適性損失が 0.2% 未塔、Gurobi などの最先端ソルバー比で最大 100 倍の高速化を達成した。

ABSTRACT

We develop DeepOPF as a Deep Neural Network (DNN) approach for solving security-constrained direct current optimal power flow (SC-DCOPF) problems, which are critical for reliable and cost-effective power system operation.DeepOPF is inspired by the observation that solving SC-DCOPF problems for a given power network is equivalent to depicting a high-dimensional mapping from the load inputs to the generation and phase angle outputs. We first train a DNN to learn the mapping and predict the generations from the load inputs. We then directly reconstruct the phase angles from the generations and loads by using the power flow equations. Such a predict-and-reconstruct approach reduces the dimension of the mapping to learn, subsequently cutting down the size of the DNN and the amount of training data needed. We further derive a condition for tuning the size of the DNN according to the desired approximation accuracy of the load-generation mapping. We develop a post-processing procedure based on $\ell_1$-projection to ensure the feasibility of the obtained solution, which can be of independent interest. Simulation results for IEEE test cases show that DeepOPF generates feasible solutions with less than 0.2% optimality loss, while speeding up the computation time by up to two orders of magnitude as compared to a state-of-the-art solver.

研究の動機と目的

• 大規模電力系統における SC-DCOPF 問題を解く際の高い計算複雑性に対処すること。
• 変動する負荷条件下での繰り返し解法を高速化するため、深層学習を活用すること。
• 高精度と運用可能性の両立を実現する DNN を用いた手法を開発すること。
• 発電出力予測と位相角再構成を分離することで、写像問題の次元を低減すること。
• 再トレーニングを伴わずに制約の整合性を保証するため、後処理としての ℓ₁-プロジェクション手順を導入すること。

提案手法

• 負荷入力から発電出力を直接予測する深層ニューラルネットワークを学習し、高次元写像を完全に学習する必要を軽減する。
• 電力潮流方程式を用いて、予測された発電出力と既知の負荷から電圧位相角を再構成し、直接的な位相角予測を回避する。
• 重み w₁（予測誤差）と w₂（制約違反ペナルティ）を有する二段階損失関数を用いて、トレーニング中に精度と整合性のバランスを取る。
• 不整合な解を是正するために、後処理として ℓ₁-プロジェクションを適用し、すべての運用およびセキュリティ制約を満たす。
• 負荷から発電への写像の所望の近似精度に基づいて、DNN のサイズを調整する理論的条件を導出する。
• 繰り返し SC-DCOPF を解く（例：5分ごと）ことで、DNN トレーニングのコストを均等化し、リアルタイム性能を達成する。

実験結果

リサーチクエスチョン

• RQ1 固定された電力系統に対して、深層ニューラルネットワークは SC-DCOPF 問題の入出力写像を効果的に学習できるか？
• RQ2 DNN のサイズとトレーニングデータ量は、最適性損失と計算速度のトレードオフにどのように影響するか？
• RQ3 後処理としての ℓ₁-プロジェクション手順は、DNN による予測解の整合性を信頼性高く回復できるか？
• RQ4 損失関数における予測精度と制約違反ペナルティの重みの最適なバランスは何か？
• RQ5 さまざまな系統条件下で、Gurobi などの従来のソルバーと比較して DeepOPF の性能と速度はどの程度か？

主な発見

• IEEE テストケースにおいて、通常の運用条件下で DeepOPF は 0.2% 未塔の最適性損失を達成した。
• Gurobi ソルバー比で、計算時間を最大 2 次元（最大 100 倍）の高速化を実現した。
• ℓ₁-プロジェクションを用いることで、すべてのテストケースで 100% の整合性率を達成した。これは、元の予測が制約に違反しても同様に有効であることを示している。
• 大きな DNN は最適性損失を低減するが、同時に高速化効果も低下させるため、精度と効率のトレードオフが生じている。
• トレーニングデータ量に顕著な影響がある：10,000 から 30,000 サンプルに増加させることで、特に混雑状態下で最適性損失が減少した。
• 損失関数における重み係数 w₂ は、後処理前の整合性向上に顕著な効果を示した。w₁=10、w₂=1 に設定すると、<0.1% の最適性損失と 100% の整合性が達成された。