[論文レビュー] Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow

Ilgiz Murzakhanov, Andreas Venzke+2 more|arXiv (Cornell University)|Mar 17, 2020

Power System Optimization and Stability参考文献 37被引用数 8

ひとこと要約

本稿では、神経ネットワークを用いて解けない動的安定性制約（例えば、小信号安定性やN-1安定性）を混合整数線形計画法（MILP）に組み込む、新しいフレームワークを提案する。これにより、AC最適潮流（AC-OPF）問題に対する効率的でコスト最適な解法が可能になる。訓練済み神経ネットワークの正確な混合整数再定式化を活用することで、非凸かつ動的制約付き最適化問題をスケーラブルなMILPに変換し、保守的な予測しきい値を用いた場合でも、0.033%のコスト増加で100%の妥当解を達成する。

ABSTRACT

This paper introduces a framework to capture previously intractable optimization constraints and transform them to a mixed-integer linear program, through the use of neural networks. We encode the feasible space of optimization problems characterized by both tractable and intractable constraints, e.g. differential equations, to a neural network. Leveraging an exact mixed-integer reformulation of neural networks, we solve mixed-integer linear programs that accurately approximate solutions to the originally intractable non-linear optimization problem. We apply our methods to the AC optimal power flow problem (AC-OPF), where directly including dynamic security constraints renders the AC-OPF intractable. Our proposed approach has the potential to be significantly more scalable than traditional approaches. We demonstrate our approach for power system operation considering N-1 security and small-signal stability, showing how it can efficiently obtain cost-optimal solutions which at the same time satisfy both static and dynamic security constraints.

研究の動機と目的

• AC最適潮流（AC-OPF）問題に、解けない動的安定性制約（例えば、小信号安定性やN-1安定性）を直接組み込むことの困難さに対処すること。
• 微分方程式などの非可解制約を、神経ネットワークを介して混合整数線形制約に変換する一般化可能なフレームワークの開発。
• 静的および動的安定性基準を満たすコスト最適な送電システム運用を可能にし、反復的または近似手法の限界を克服すること。
• 実際の送電システムモデル（例：IEEE 14-busシステム）において、さまざまな安定性基準下で、この手法のスケーラビリティと妥当性を実証すること。

提案手法

• 送電システムの動的特性に由来する微分方程式を含む、扱いやすい制約と扱いにくい制約を併せ持つ最適化問題の妥当領域を、神経ネットワークで符号化する。
• 訓練済み神経ネットワークの正確な混合整数線形再定式化を適用し、非線形かつ非凸制約を二値変数を伴う線形制約の集合に変換する。
• 再定式化された神経ネットワーク制約を混合整数線形計画法（MILP）に統合し、動的安定性制約を含むAC-OPF問題を解く。
• 等式制約を処理するために、罰則パラメータρ=1%を用いた反復的損失近似を適用し、平均7回の反復で収束を確認。
• 予測境界の保守性をハイパーパrameter ε で調整し、妥当性とコストのバランスを図る。ε=8のとき、100%の妥当性とわずか0.033%のコスト増加を達成。
• 訓練用に最適AC-OPF解のデータセットを活用。今後の課題として、グラフニューラルネットワークを用いた、異なる送電システムへのロバストな再訓練と一般化を計画。

実験結果

リサーチクエスチョン

• RQ1 神経ネットワークを用いて、解けない動的安定性制約（例：小信号安定性やN-1事故基準）を、混合整数線形計画法と互換性のある形式に符号化できるか？
• RQ2 微分方程式やその他の非凸制約によって定義される妥当領域を、神経ネットワークを用いて正確に近似・線形制約に変換する方法は何か？
• RQ3 神経ネットワークの予測境界の保守性（εで制御）と、AC-OPF解におけるコスト増加のトレードオフはどのように変化するか？
• RQ4 従来の反復的または非線形計画法アプローチと比較して、本手法は動的安定性制約付きAC-OPF問題におけるスケーラビリティと妥当性をどの程度向上させるか？

主な発見

• ε=8のとき、100%の妥当性を達成し、ε=7の84.0%から向上するが、コスト増加はわずか0.033%にとどまる。
• ρ=1%を用いた反復的損失近似は、平均7回の反復で収束し、等式制約の効率的処理を示している。
• N-1安定性を組み込むと平均コストが5.7%上昇し、さらに小信号安定性を追加すると15.6%上昇する。これは、動的安定性の真正のコストを反映している。
• システム規模や事故数に関係なく、スケーラブルである。MILPの複雑さは、送電システムの規模に依存せず、固定された神経ネットワークサイズに依存する。
• 本手法は、神経ネットワークの正確な混合整数再定式化を用いて動的安定性制約をAC-OPF定式化に統合する初の手法であり、正確なMILPベース最適化を可能にする。