[論文レビュー] High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow

Minas Chatzos, Ferdinando Fioretto+2 more|arXiv (Cornell University)|Jun 29, 2020

Optimal Power Flow Distribution参考文献 28被引用数 42

ひとこと要約

この論文はOPF-DNNを提示し、ラグランジュ双対性と統合された深層ニューラルネットワークアプローチにより、大規模な電力系統（最大3400台バス）向けのAC-OPFの高忠実度、ミリ秒スケール近似を生成し、発電コストを最適値の0.01%以内で満たし、制約の強い満足度を示す。

ABSTRACT

The AC Optimal Power Flow (AC-OPF) is a key building block in many power system applications. It determines generator setpoints at minimal cost that meet the power demands while satisfying the underlying physical and operational constraints. It is non-convex and NP-hard, and computationally challenging for large-scale power systems. Motivated by the increased stochasticity in generation schedules and increasing penetration of renewable sources, this paper explores a deep learning approach to deliver highly efficient and accurate approximations to the AC-OPF. In particular, the paper proposes an integration of deep neural networks and Lagrangian duality to capture the physical and operational constraints. The resulting model, called OPF-DNN, is evaluated on real case studies from the French transmission system, with up to 3,400 buses and 4,500 lines. Computational results show that OPF-DNN produces highly accurate AC-OPF approximations whose costs are within 0.01% of optimality. OPF-DNN generates, in milliseconds, solutions that capture the problem constraints with high fidelity.

研究の動機と目的

• AC-OPFを非凸でNP困難な問題として動機づけ、発電における不確定性の増大に対処する。
• 物理的制約を守りつつAC-OPFのセットポイントを生成する学習ベースの代理モデル（OPF-DNN）を開発する。
• 最大3400ノード、4500本のラインという大規模実世界ネットワークで高忠実度とスケーラビリティを示す。
• 違反ベースのラグランジュ緩和をDNNフレームワーク内に組み込み、制約処理を統合する。

提案手法

• AC-OPF学習タスクを制約付き経験的リスク最小化問題としてモデル化する。
• 電圧の大きさ、位相角、および発電機の有効電力/無効電力を予測し、オームの法則を用いて線路フローを推定しネットワーク物理を尊重する。
• 違反ベースのラグランジュ緩和を用いてOPF制約を訓練損失に組み込み、乗数を更新するラグランジュデュアル最適化を行う。
• 各枝が v、theta、p^g、q^g を予測する4枝の全結合DNNアーキテクチャを採用し、制約 (L_c) および目的関数 (L_o) の損失成分を含める。
• GPU上でAdamを用いて訓練し、ラグランジュデュアルを解くために乗数を定期的に更新する（アルゴリズム1）。
• 大規模なフランス系システム類似系で評価し、ミリ秒の予測時間とAC-OPF最適コストにほぼ近い結果を示す。

実験結果

リサーチクエスチョン

• RQ1 物理的制約を尊重しつつ、高忠実度で大規模電力系統のAC-OPF解をDNNベースのモデルで近似できるか？
• RQ2 違反ベースのラグランジュ緩和は訓練と予測の過程でAC-OPF制約の遵守をどの程度促進できるか？
• RQ3 数千のバスへ規模を拡大したとき、予測速度と解の最適性/実現可能性とのトレードオフはどうなるか？
• RQ4 実世界の大規模ネットワーク（約3400バスまで）における精度、実現可能性、計算資源の観点でOPF-DNNはどのような性能を示すか？

主な発見

• OPF-DNNは大規模なAC-OPFインスタンスに対してミリ秒の予測時間を達成する。
• この手法はAC-OPFの目的値を真の最適値に非常に近い値にし、報告された実験におけるコスト差はAC-OPFのベースラインに対して最小である。
• 提案手法で制約満足度は非常に高く、多くの制約がほぼ100%満たされ、残りは平均的な小さな違反にとどまる。
• 予測された電圧とオームの法則を介した間接的な流量予測はラインフローの精度を向上させ、AC-OPF制約の満足にも寄与する。
• 制約なしのベースラインと比較して、違反認識型の訓練（OPF-DNN）は収束性がより信頼性が高く、large networksでの実現可能性と目的性能が向上する。
• フランス系システム規模のネットワーク（最大3,411バス、4,499本のライン）での訓練は、スケーラビリティと実用性を示す。