[論文レビュー] Hot-Starting the Ac Power Flow with Convolutional Neural Networks

Liangjie Chen, Joseph Euzebe Tate|arXiv (Cornell University)|Apr 20, 2020

Power System Optimization and Stability参考文献 28被引用数 16

ひとこと要約

本稿では、1次元畳み込みニューラルネットワーク（1D CNN）フレームワークを提案し、ニュートン・ラプソン法に基づく交流潮流（ACPF）解法の改善された初期電圧条件（ホットスタート）を生成する。入力として直流潮流（DCPF）の結果を用い、IEEE 118-およびPegase 2869母線系において、フラットスタートやウォームスタートと比較して、解法時間の最大33.56％の短縮と反復回数の最大66.47％の削減を達成した。

ABSTRACT

Obtaining good initial conditions to solve the Newton-Raphson (NR) based ac power flow (ACPF) problem can be a very difficult task. In this paper, we propose a framework to obtain the initial bus voltage magnitude and phase values that decrease the solution iterations and time for the NR based ACPF model, using the dc power flow (DCPF) results and one dimensional convolutional neural networks (1D CNNs). We generate the dataset used to train the 1D CNNs by sampling from a distribution of load demands, and by computing the DCPF and ACPF results for each sample. Experiments on the IEEE 118-bus and extsc{Pegase} 2869-bus study systems show that we can achieve 33.56\% and 30.06\% reduction in solution time, and 66.47% and 49.52% reduction in solution iterations per case, respectively. We include the 1D CNN architectures and the hyperparameters used, which can be expanded on by the future studies on this topic.

研究の動機と目的

• ニュートン・ラプソン法に基づく交流潮流（ACPF）解法における収束が遅い問題を、初期電圧条件が悪いために生じるという課題に対処すること。
• 反復回数とACPF収束に要する時間の削減により、解法の効率を向上させること。
• DCPFの結果と1D CNNを活用して、PQ母線の正確な初期電圧の大きさと位相角を予測する汎用性のあるフレームワークを構築すること。
• DCPF入力を用いたACPF解の近似において、従来の多層パーセプトロン（MLP）よりも1D CNNが優れていることを示すこと。
• 将来のニューラルネットワークベースの潮流初期化に関する研究に再利用可能な1D CNNアーキテクチャとハイパーパrameterを提供すること。

提案手法

• フレームワークは、DCPFの結果を入力とし、対応するACPF解を教師ターゲットとして、サンプリングされた負荷需要状態で1D CNNを学習する。
• 実数および無効電力需要を負荷母線でサンプリングし、各サンプルに対してDCPFおよびACPFの結果を計算することで、データセットを生成する。
• 1D CNNは、ACPFにおける不一致を最小化するように、母線電圧の大きさと位相角を予測し、ホットスタート条件として機能する。
• 訓練済みモデルは、新しい負荷シナリオのDCPF結果を1D CNNに処理し、その出力をNR法に基づくACPFソルバに初期条件として入力する。
• 訓練データを「ウォームスタート」（ACPF解を含む）と「ホットスタート」（ACPF解を含まない）の2セットに分離し、モデルの訓練と評価に用いる。
• 1D CNNアーキテクチャは、カーネルサイズ、ストライド、パディングを伴う畳み込み層と、各母線の電圧の大きさと位相を出力する全結合層から構成される。

実験結果

リサーチクエスチョン

• RQ1 1D CNNは、フラットスタートやDCPFベースのウォームスタートと比較して、交流潮流のためのより良い初期電圧条件を効果的に学習できるか？
• RQ2 1D CNNは、大規模および小規模な電力系統において、ニュートン・ラプソン反復回数とACPFの解法時間の両方をどの程度削減できるか？
• RQ3 DCPF入力を用いたACPF解の予測において、1D CNNの性能は多層パーセプトロン（MLP）と比べてどの程度優れているか？
• RQ4 提案されたフレームワークは、IEEE 118母線系やPegase 2869母線系のような異なる系統構造や規模に一般化可能か？
• RQ5 1D CNNの学習目的関数にACPFの解法時間と反復回数を直接組み込むと、どのような影響が生じるか？

主な発見

• 提案された1D CNNベースのホットスタートフレームワークは、フラットスタート条件と比較して、IEEE 118母線系においてACPF解法時間を最大33.56％短縮した。
• Pegase 2869母線系では、同じホットスタート手法を用いて、解法時間を30.06％短縮した。
• IEEE 118母線系ではニュートン・ラプソン反復回数が66.47％削減され、Pegase 2869母線系では49.52％削減された。
• 1D CNNは、同じデータセットで学習された多層パーセプトロン（MLP）と比較して、不一致誤差（Δℒ）をほぼ10倍小さくした。
• 本フレームワークは、異なるサイズや構造の系統においても一般化可能であることが示されたが、新しいネットワーク構成ではシステム固有の学習が必要である。
• 本手法により、より良い初期条件が得られるため、インシデント解析が高速化可能であり、トランスファーラーニングや並列学習を用いることで、一回の学習コストを低減できる。