[論文レビュー] Machine Learning for AC Optimal Power Flow

Neel Guha, Zhecheng Wang+2 more|arXiv (Cornell University)|Oct 19, 2019

Electric Power System Optimization参考文献 11被引用数 59

ひとこと要約

本論文はACOPFに対する2つのML定式化を提示する：最適発電機設定のエンドツーエンド予測と解法を高速化するためのアクティブ制約予測。IEEE 30-および118-busグリッドで評価。

ABSTRACT

We explore machine learning methods for AC Optimal Powerflow (ACOPF) - the task of optimizing power generation in a transmission network according while respecting physical and engineering constraints. We present two formulations of ACOPF as a machine learning problem: 1) an end-to-end prediction task where we directly predict the optimal generator settings, and 2) a constraint prediction task where we predict the set of active constraints in the optimal solution. We validate these approaches on two benchmark grids.

研究の動機と目的

• 増大する需要と再エネの変動性に対応するACOPFのリアルタイム近似解の動機付け。
• ACOPFを扱う2つのML定式化を検討する：発電機設定のエンドツーエンド予測とワームスタートを支援するアクティブ制約予測。
• 標準的なグリッドトポロジー上でMLベースのACOPF解の実現可能性と信頼性を評価。

提案手法

• 固定されたグリッドトポロジー N台のバス、L本のブランチ、G個の可制御発電機を持つACOPFを定式化。
• エンドツーエンド予測：負荷分布を最適発電機設定（P^G, V^G）へ写像するモデルを教師あり学習で学習。
• 損失関数にソフトペナルティを組み込み、制約（P^G, Q^G, V, delta境界）を満たす法的解を促進。
• 最適制約予測：最適解でアクティブな制約を予測するモデルを学習（マルチラベル分類）。
• IEEE基準周辺の負荷分布をサンプリングしてOPFをMatpowerで解くことで生成データセットを作成；90/10の訓練–テスト分割；ケース30-busと118-bus。
• 評価指標にはエンドツーエンドの合法性率と平均コスト偏差を含み、制約予測は精度で評価。

実験結果

リサーチクエスチョン

• RQ1 MLモデルはACOPFのために負荷分布から最適発電機設定を正確に予測できるか？
• RQ2 MLモデルは伝統的な解法のウォームスタートを高速化するためのアクティブ制約集合を信頼性高く特定できるか？
• RQ3 標準的なIEEEテストグリッド上でML予測解の合法性率とコスト偏差はどの程度か？
• RQ4 小規模な30-busと大規模な118-busのグリッド間でモデル性能はどう異なるか？

主な発見

• エンドツーエンド予測は、ケース30で合法性率0.51、ケース118で0.70を達成し、合法的なグリッドでの平均コスト偏差は約0.002。
• 制約予測は全体的に高い精度を達成し、ケース30で0.99、ケース118で0.81。
• 合法的なグリッド上の最適コスト予測は真の最適コストの約1%程度。
• エンドツーエンドモデルはグリッドごとに異なり、ケース30は制約損失のない2層タanhネットワークを使用、ケース118は512ユニットの3層ネットワークと制約損失ペナルティを用いた。
• アクティブな制約集合を学習することは一般的に容易で、ソルバーのウォームスタートを通知することで速度向上の可能性を提供。