[論文レビュー] Unit Commitment using Nearest Neighbor as a Short-Term Proxy

Gal Dalal, Elad Gilboa+2 more|arXiv (Cornell University)|Nov 30, 2016

Power System Optimization and Stability参考文献 14被引用数 9

ひとこと要約

本稿では、短時間単位のユニット・コミットメント（UC）の解を近似することで、長期的電力システム計画の計算を高速化する機械学習プロキシ、Nearest Neighbor を用いたユニット・コミットメント（UCNN）を提案する。計算コストの高いMILPベースのUC問題を繰り返し解くのではなく、UCNNは事前に計算された解のデータセットから最近傍探索を用いて解を取得することで、平均実行時間を81秒から0.31秒に短縮し、IEEE-RTS96において8%未満の相対誤差で、3桁の速度向上を達成した。

ABSTRACT

We devise the Unit Commitment Nearest Neighbor (UCNN) algorithm to be used as a proxy for quickly approximating outcomes of short-term decisions, to make tractable hierarchical long-term assessment and planning for large power systems. Experimental results on updated versions of IEEE-RTS79 and IEEE-RTS96 show high accuracy measured on operational cost, achieved in runtimes that are lower in several orders of magnitude than the traditional approach.

研究の動機と目的

• 繰り返し短時間UCシミュレーションを要する長期的電力システム計画における計算の非現実的さを解消すること。
• 階層的な長期的評価において、高価で正確なUCソルバに依存するのを減らすために、高速なプロキシ手法を用いること。
• 不確実性下での障害スケジュールやその他の長期的意思決定のスケーラブルで実行可能な評価を可能にすること。
• 学習された最近傍プロキシからの近似解が、コストと信頼性指標において高い正確性を維持できることを示すこと。

提案手法

• さまざまなグリッドおよび環境的条件（例：負荷、風力予測、ネットワークトポロジー）の下での事前に計算されたUC解の多様で大規模なトレーニングデータセットを構築する。
• 長期的評価中に新しい条件が与えられた場合、最も類似した事前に計算された解を最近傍探索（例：KDツリーを用いて）で取得する。
• 負荷、再生可能エネルギー出力、ネットワークトポロジーを含む特徴ベクトルとして各システム状態を表現し、類似性比較を可能にする。
• 類似したシステム条件は類似したUC結果をもたらすという仮定を活用し、MILP問題の再解法の必要性を低減する。
• トレーニングセットをオフラインで事前に計算するか、長期スケジュールの評価中に段階的に更新することで、プロキシのカバー範囲を向上させる。
• 取得したプロキシ解を、完全なUC問題を解く代替手段として用いることで、実行時間を著しく短縮する。

実験結果

リサーチクエスチョン

• RQ1 最近傍探索に基づく機械学習プロキシは、大規模電力システムにおける短時間UC結果を効果的に近似できるか？
• RQ2 UCNNは、完全なMILPベースのUC問題を解くのと比べて、計算時間をどの程度短縮できるか？
• RQ3 UCNNの予測は、正確なUC解と比較して、運用コストとシステム信頼性指標においてどの程度正確か？
• RQ4 UCNNの性能は、トレーニングデータセットのサイズやネットワークの複雑さに応じてスケーリングするか？

主な発見

• UCNNは、UC解の平均実行時間を、正確なMILP解法の81秒から0.31秒に短縮し、3桁の速度向上を達成した。
• IEEE-RTS96において、1,000件のトレーニングサンプルでのみ、コスト予測の相対誤差が8%未満であった。
• N-1セキュリティ準拠などの信頼性指標においても、正確な解と強い相関を示し、低相対誤差を維持した。
• UCNNの実行時間は問題の複雑さに関係なく一定であるのに対し、正確なUCソルバはN-1セキュリティ制約を追加すると10倍の実行時間増加を示した。
• 数千回の高価なUC解法を高速な検索操作に置き換えることで、スケーラブルな長期的評価が可能になった。
• UCNNの性能は、より大きなトレーニングデータセットで向上し、IEEE-RTS96のような大規模システムでも、小さなデータセットでも有効であることが示された。