[論文レビュー] DeepOPF-U: A Unified Deep Neural Network to Solve AC Optimal Power Flow in Multiple Networks

Liang Heng, Changhong Zhao|arXiv (Cornell University)|Sep 22, 2023

Optimal Power Flow Distribution被引用数 4

ひとこと要約

DeepOPF-Uは、バス、線路、負荷、分散型エネルギー資源（DER）の数が異なる複数の拡張可能な電力ネットワークにおいて、変動するバス数を扱えるエラスティックな入出力層を備えた統合型ディープニューラルネットワークを提案する。従来のソルバーと比較して最大4,880倍の高速化を達成しながら、近似的最適解を提供し、再訓練を必要とせずに高い制約満足度と一般化性能を維持する。

ABSTRACT

The traditional machine learning models to solve optimal power flow (OPF) are mostly trained for a given power network and lack generalizability to today's power networks with varying topologies and growing plug-and-play distributed energy resources (DERs). In this paper, we propose DeepOPF-U, which uses one unified deep neural network (DNN) to solve alternating-current (AC) OPF problems in different power networks, including a set of power networks that is successively expanding. Specifically, we design elastic input and output layers for the vectors of given loads and OPF solutions with varying lengths in different networks. The proposed method, using a single unified DNN, can deal with different and growing numbers of buses, lines, loads, and DERs. Simulations of IEEE 57/118/300-bus test systems and a network growing from 73 to 118 buses verify the improved performance of DeepOPF-U compared to existing DNN-based solution methods.

研究の動機と目的

• 各ネットワークトポロジーごとに再訓練を必要とする既存のDNNベースのOPFモデルにおける一般化性能の欠如に対処する。
• 1つのディープニューラルネットワークが、異なるトポロジーとサイズの複数の電力ネットワークにおけるAC OPF問題を解けるようにする。
• 再訓練を伴わずに、新規のバス、線路、負荷、DERを拡張するネットワークに即座に統合できるようにする。
• 多様で進化を続ける電力システム構成において、高い解の品質と計算効率を維持する。

提案手法

• 異なるネットワーク間で長さが変動する負荷および解のベクトルを動的に処理できる、プラグアンドプレイ型のニューロンを備えたエラスティックな入力・出力層を設計する。
• 完全な再トレーニングなしに、新しいまたは拡張されたネットワーク用に統合型DNNの重みを段階的に更新するトレーニングプロセスを導入する。
• 73バスから118バスに拡張するネットワークを含め、複数のネットワークにおける負荷から解へのマッピングを1つの統合型DNNで学習する。
• ネットワークのトポロジーとアドミタンスデータを入力表現に統合して、構造的情報を保持する。
• 複数のネットワークのデータを同時にトレーニングすることで、トポロジーの変動に一般化できるようにする。
• 予測値と真値のOPF目的関数値の差を最小化するとともに、制約の満足度を保証する損失関数を適用する。

実験結果

リサーチクエスチョン

• RQ1 異なるトポロジーとサイズの複数の電力ネットワークに一般化できる1つのディープニューラルネットワークは存在するか？
• RQ2 バス、線路、負荷、DERの数が異なるネットワークを処理する際、統合型DNNは解の品質をどの程度維持できるか？
• RQ3 再訓練なしにネットワーク拡張にどの程度適応できるか？
• RQ4 精度、制約満足度、および高速化の観点から、既存のDNNベースのOPF手法と比較して、統合型DNNの性能はどの程度か？
• RQ5 複数のネットワークにおけるAC OPF解法において、モデルの一般化性能と計算効率のトレードオフはどのようなものか？

主な発見

• IEEE 2,000バス系において、DeepOPF-UはMIPSソルバーに対して平均4,880倍の高速化を達成し、DACOPF（×184）やEACOPF（×373）を大きく上回った。
• 制約満足度はほぼ完璧で、電圧の大きさと枝路の電流制限では100%、有効・無効電力の発電制限では99.7%以上を達成した。
• DeepOPF-Uの予測値とMIPSソリューションとの間の目的関数値の差はわずか0.23%であり、高い解の正確性を示している。
• DeepOPF-Vは各フィーダごとに別個のDNNを必要とするが、DeepOPF-Uは44%少ないストレージ容量で運用され、スケーラビリティに優れている。
• 73バスから118バスに拡張するネットワークにおいて、DeepOPF-Uは真値からの最小限のずれで、時間的に変化するOPF解を的確に追跡できた。
• 統合型DNNは有効電力について平均99.67%、無効電力について平均99.63%の負荷満足度を達成し、負荷処理の強靭性を示した。