[論文レビュー] DeepOPF: Deep Neural Network for DC Optimal Power Flow

Xiang Pan, Tianyu Zhao+1 more|arXiv (Cornell University)|May 11, 2019

Optimal Power Flow Distribution参考文献 35被引用数 4

ひとこと要約

DeepOPFは、負荷入力と最適ディスpatch意思決定の間の高次元マッピングを学習することで、DC最適潮流（DC-OPF）問題を解くための深層ニューラルネットワーク（DNN）フレームワークを提案する。問題の構造と均一サンプリングを活用することで過学習とモデルの複雑さを低減し、従来のソルバーよりも2桁速く計算を高速化しながら、最小限の最適性損失で妥当な解を達成する。

ABSTRACT

We develop DeepOPF as a Deep Neural Network (DNN) approach for solving direct current optimal power flow (DC-OPF) problems. DeepOPF is inspired by the observation that solving DC-OPF for a given power network is equivalent to characterizing a high-dimensional mapping between the load inputs and the dispatch and transmission decisions. We construct and train a DNN model to learn such mapping, then we apply it to obtain optimized operating decisions upon arbitrary load inputs. We adopt uniform sampling to address the over-fitting problem common in generic DNN approaches. We leverage on a useful structure in DC-OPF to significantly reduce the mapping dimension, subsequently cutting down the size of our DNN model and the amount of training data/time needed. We also design a post-processing procedure to ensure the feasibility of the obtained solution. Simulation results of IEEE test cases show that DeepOPF always generates feasible solutions with negligible optimality loss, while speeding up the computing time by two orders of magnitude as compared to conventional approaches implemented in a state-of-the-art solver.

研究の動機と目的

• DC-OPF問題を効率的かつスケーラブルに解くための深層学習ベースのアプローチを開発すること。
• DC-OPFの構造的性質を活用してマッピングの次元を低減し、モデルサイズと学習コストを削減すること。
• DNNベースの最適化における一般的な課題である妥当性の欠如を克服するため、後処理手順を用いて解の妥当性を保証すること。
• 解の品質を損なわず、計算の高速化を実現することで、電力系統運用におけるリアルタイム導入を可能にすること。
• 反復的DC-OPFインスタンスにおいて、DNNが従来の凸ソルバの代替として実用的かつ正確に機能することを示すこと。

提案手法

• DC-OPFを負荷プロファイルから最適な発電機出力および線路潮流への高次元回帰問題として定式化する。
• 過学習を軽減するために均一サンプリングを用い、深層順方向ニューラルネットワークを訓練してこのマッピングを学習する。
• DC-OPFの構造的制約をアーキテクチャに統合することで、有効なマッピング次元を低減し、モデルの複雑さとデータ要件を削減する。
• 学習の安定性と収束性を向上させるために、前処理段階で負荷入力を正規化する。
• 物理的および運用上の制約を満たすために、DNN出力を調整する後処理手順を実施し、妥当性を保証する。
• 損失関数は、合計コストの偏差を最小化するために、特に影響力の大きい変数（例：大出力発電機）の正確な予測を優先するように設計されている。

実験結果

リサーチクエスチョン

• RQ1 与えられた電力系統に対して、深層ニューラルネットワークはDC-OPFの解マッピングを効果的に近似できるか？
• RQ2 DC-OPFの構造的性質をどのように活用すれば、学習タスクの次元を低減し、モデル効率を向上させられるか？
• RQ3 均一サンプリングはDNNベースのDC-OPF解法における過学習を効果的に防止できるか？
• RQ4 従来のソルバーよりも、DNNベースのアプローチは解の妥当性と最適性をどの程度維持できるか？
• RQ5 DC-OPFの文脈において、ネットワークの深さは予測精度と計算効率にどのように影響するか？

主な発見

• DeepOPFは、IEEEテストケースすべてにおいて一貫して妥当な解を生成し、シミュレーション中に不適切な解は観測されなかった。
• 平均して最適性損失が0.4%未満であり、IEEE 118バス系においては最良ケースでわずか+83$/時間（0.2%）の偏差にとどまった。
• 計算時間は、最先端の凸ソルバーよりも2桁短縮され、1回の解法あたり0.17ミリ秒まで短縮された。
• 1エポックあたりの学習時間はわずか（例：300バス系では19.0秒）であり、繰り返し使用を想定したアモアタイズド学習コストは妥当である。
• より深いネットワーク（例：3層の隠れ層）は浅いものよりも高い精度を示し、単層モデルに比べてコスト偏差が50%削減された。
• すべての発電機において予測誤差は許容範囲内にあり、特に低出力ユニットに大きな影響を及ぼさない。