[論文レビュー] Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings

Henning Lange, Bingqing Chen+2 more|arXiv (Cornell University)|Dec 16, 2020

Power System Optimization and Stability参考文献 31被引用数 7

ひとこと要約

本稿では、特異的埋め込み負荷フロー（HELM）ソルバを介して逆誤差伝搬することで、物理的妥当性を保ちながら非線形潮流方程式を満たすAC最適潮流（AC-OPF）を学習する微分可能ニューラルネットワークフレームワークを提案する。この手法は、従来のソルバーより12倍速く、40%高い耐障害性を達成し、200バス系において99.86%のケースで妥当な解を生成した。

ABSTRACT

Alternating current optimal power flow (AC-OPF) is one of the fundamental problems in power systems operation. AC-OPF is traditionally cast as a constrained optimization problem that seeks optimal generation set points whilst fulfilling a set of non-linear equality constraints -- the power flow equations. With increasing penetration of renewable generation, grid operators need to solve larger problems at shorter intervals. This motivates the research interest in learning OPF solutions with neural networks, which have fast inference time and is potentially scalable to large networks. The main difficulty in solving the AC-OPF problem lies in dealing with this equality constraint that has spurious roots, i.e. there are assignments of voltages that fulfill the power flow equations that however are not physically realizable. This property renders any method relying on projected-gradients brittle because these non-physical roots can act as attractors. In this paper, we show efficient strategies that circumvent this problem by differentiating through the operations of a power flow solver that embeds the power flow equations into a holomorphic function. The resulting learning-based approach is validated experimentally on a 200-bus system and we show that, after training, the learned agent produces optimized power flow solutions reliably and fast. Specifically, we report a 12x increase in speed and a 40% increase in robustness compared to a traditional solver. To the best of our knowledge, this approach constitutes the first learning-based approach that successfully respects the full non-linear AC-OPF equations.

研究の動機と目的

• 再生可能エネルギーの増加に伴い、時間的制約のある大規模AC-OPF問題を解く課題に対処すること。
• 非線形潮流方程式における誤った根（spurious roots）によって生じる従来のソルバーの脆弱性を克服すること。
• 非線形AC-OPF制約を完全に尊重する学習ベースのアプローチを構築し、高速かつスケーラブルな推論を可能にすること。
• 等式制約（潮流）と不等式制約（電圧、ユニットコミットメント）の両方を満たすエンドツーエンドのニューラルポリシーの訓練を可能にすること。

提案手法

• ニューラルネットワーク内に微分可能コンピューティングレイヤーとして、微分可能な特異的埋め込み負荷フロー（HELM）ソルバを用いる。
• HELMソルバを介して勾配を逆伝搬させ、システムの需要から最適な発電ディスパッチをマップするニューラルポリシーネットワークを学習する。
• ラグランジュ緩和を用いて、凸制約（例：電圧大きさ制限）と非凸制約（例：ユニットコミットメント）を、二重変数ネットワークで強制する。
• 勾配ベースの学習を用いて、全体のラグランジュ関数をエンドツーエンドで最適化し、推論時に制約の満たされることを保証する。
• 特異的埋め込み技術を活用し、学習および推論中の収束安定性を高め、誤った解の発生を回避する。
• 収束を導くためのべき級数係数に基づく損失関数を用い、コスト最小化と潮流妥当性の両方を組み合わせてモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 微分可能な潮流ソルバを用いて、非線形潮流方程式を完全に満たす状態でAC-OPFを解くニューラルネットワークを学習可能か？
• RQ2 提案手法は、MATPOWERのMIPSのような従来の内点法ソルバーよりも高い耐障害性と高速推論を達成できるか？
• RQ3 変動する負荷条件の下でも、物理的妥当性を維持しながら、学習されたポリシーがどれほど一般化できるか？
• RQ4 統一的な微分可能フレームワーク内で、凸制約（例：電圧制限）と非凸制約（例：ユニットコミットメント）をどれほど効果的に強制できるか？
• RQ5 高い妥当性を示すにもかかわらず、学習されたポリシーが最適コスト解から乖離しているのはなぜか？この最適性ギャップは解消可能か？

主な発見

• 提案手法は、従来のMATPOWER混合整数プログラミングソルバ（MIPS）と比較して、推論時間で12倍の高速化を達成した。
• 本手法は99.86%の耐障害性を示し、6,000件のテストケースのうち5,992件で妥当な解を生成したのに対し、MIPSソルバは61%にとどまった。
• 学習されたニューラルポリシーは、非線形AC潮流方程式を正確に満たしており、従来の射影勾配法が抱える誤った根の問題を回避した。
• 高い妥当性にもかかわらず、学習された解の平均発電コストは、MIPSソルバが見つけた最適解と比べて約29%高い。
• 微分可能な二重変数ネットワークを用いて、凸制約（電圧大きさ）と非凸制約（ユニットコミットメント）の両方を効果的に強制した。
• 学習中に一時的な失敗が発生する現象が観察されたが、これはコスト最小化と収束安定性のトレードオフに起因すると考えられる。