[論文レビュー] Emulating AC OPF solvers for Obtaining Sub-second Feasible, Near-Optimal Solutions

Kyri Baker|arXiv (Cornell University)|Dec 18, 2020

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

ひとこと要約

本論文では、反復的に最適解に近づくためのフィードバックを備えた浅い順方向ニューラルネットワークを用いて、内点法によるAC OPFソルバを模倣する機械学習手法を提案する。学習された動的挙動により高速に収束させ、その後に潮流計算を適用してACの妥当性を確保することで、最大1,354バスのシステムにおいて1秒未塔の近似的最適解が得られ、コスト面でDC OPFを上回り、SOCPと同等または上回る速度と精度を達成した。

ABSTRACT

Using machine learning to obtain solutions to AC optimal power flow has recently been a very active area of research due to the astounding speedups that result from bypassing traditional optimization techniques. However, generally ensuring feasibility of the resulting predictions while maintaining these speedups is a challenging, unsolved problem. In this paper, we train a neural network to emulate an iterative solver in order to cheaply and approximately iterate towards the optimum. Once we are close to convergence, we then solve a power flow to obtain an overall AC-feasible solution. Results shown for networks up to 1,354 buses indicate the proposed method is capable of finding feasible, near-optimal solutions to AC OPF in milliseconds on a laptop computer. In addition, it is shown that the proposed method can find "difficult" AC OPF solutions that cause flat-start or DC-warm started algorithms to diverge.

研究の動機と目的

• 機械学習を用いて、AC最適潮流（AC OPF）に対して高速で妥当性保証され、近似的最適な解を得る課題に対処すること。
• 既存のMLベースのAC OPF手法が、高速化を達成してもACの妥当性を保証できないという限界を克服すること。
• 直接的に解を予測するのではなく、反復的ソルバの挙動を模倣するフレームワークを構築することで、最適性への収束を可能にすること。
• 制約違反をペナルティ化する複雑な損失関数や訓練データの制限を必要とせず、妥当性を保証すること。
• 従来のソルバが発散する可能性がある、電圧崩壊に近い状態を含む大規模で困難なネットワークにおいて、本手法の頑健性を示すこと。

提案手法

• 3層の全結合順方向ニューラルネットワーク $F_R$ を、Matpower 内点法ソルバ（MIPS）の反復的更新ステップを模倣するように学習する。自身の出力をフィードバックとして用いて次の反復を生成する。
• ネットワークは現在の解ベクトル $\mathbf{x}^k = [\mathbf{v}^k, \boldsymbol{\theta}^k, \mathbf{P}_g^k, \mathbf{Q}_g^k]^T$ を入力とし、次の反復 $\mathbf{x}^{k+1} = F_R(\mathbf{x}^k)$ を出力することで、最適解への反復的改善を可能にする。
• 収束は $||\mathbf{x}^{k+1} - \mathbf{x}^k|| \leq \epsilon$ で判定され、従来のソルバに内在する行列逆行列計算やヤコビアン計算を回避する。
• 収束後、予測された変数のサブセット（電圧大きさ、位相角、発電機出力）をAC潮流ソルバに渡して、完全なACの妥当性を確保する。
• 訓練データの制限やOPF定式化の変更は不要であり、標準的なAC OPFソルバの出力を訓練データとして使用する。
• 本手法は基盤となるソルバに依存せず、MIPSに限らず、任意の反復的OPFソルバに適用可能である。

実験結果

リサーチクエスチョン

• RQ1 学習されたニューラルネットワークモデルは、行列因子分解を避けても、従来のAC OPFソルバの反復的挙動を効果的に模倣し、高速収束を達成できるか？
• RQ2 提案手法は、大規模システムにおいてサブ秒の実行時間でAC妥当性を保証しつつ、近似的最適な目的関数値を達成できるか？
• RQ3 電圧崩壊に近い状態のような困難なAC OPFケースにおいて、本手法はどのように性能を発揮するか？ ここで標準的ソルバが収束しない可能性がある。
• RQ4 ACの妥当性が求められる状況において、本手法はDC OPFおよびSOCP緩和法を上回る解の質と速度を達成できるか？
• RQ5 特別なデータ拡張や制約違反ペナルティ損失関数を必要とせず、多様な運用状態に一般化できるか？

主な発見

• 30バス、500バス、1,354バスのシステムにおいて、ラップトップ一台で0.05〜0.25秒のサブ秒の解法時間を達成。SOCPや従来のソルバーよりも顕著に高速であった。
• 1,354バスシステムでは平均最適性ギャップ0.09%を達成し、SOCP（0.28%）を上回り、MIPSが得た最良の解と同等であった。
• 平坦スタートやDCウォームスタートでMIPSソルバが発散したAC OPFインスタンスを、本手法は正常に解釈した。困難なケースにおける頑健性を示した。
• 単一のネットワーク構成で学習したにもかかわらず、電圧崩壊に近い状態を含む多様な負荷条件に一般化した。
• AC潮流後処理ステップにより、AC OPF解よりも目的関数値が向上したが、これはスラック自家発電の過剰供給によるものと推定され、妥当性確保のトレードオフを示した。
• ラップトップで12時間未塔で学習が完了し、1つの隠れ層のみを用いたため、深層アーキテクチャに比べて訓練コストが低く、調整が容易であった。