[論文レビュー] Unsupervised Optimal Power Flow Using Graph Neural Networks

Damian Owerko, Fernando Gama+1 more|arXiv (Cornell University)|Oct 17, 2022

Optimal Power Flow Distribution被引用数 7

ひとこと要約

本稿では、電力網の物理的制約を微分可能ログバリアペナルティで強制することで、負荷から発電機出力へのマッピングを学習する非教師ありグラフニューラルネットワーク（GNN）手法を提案する。この手法は、制約違反が少ない近似最適コストを達成し、電流制限や出力レート制限が厳密な状況において、従来のソルバーを上回る性能を発揮する。

ABSTRACT

Optimal power flow (OPF) is a critical optimization problem that allocates power to the generators in order to satisfy the demand at a minimum cost. Solving this problem exactly is computationally infeasible in the general case. In this work, we propose to leverage graph signal processing and machine learning. More specifically, we use a graph neural network to learn a nonlinear parametrization between the power demanded and the corresponding allocation. We learn the solution in an unsupervised manner, minimizing the cost directly. In order to take into account the electrical constraints of the grid, we propose a novel barrier method that is differentiable and works on initially infeasible points. We show through simulations that the use of GNNs in this unsupervised learning context leads to solutions comparable to standard solvers while being computationally efficient and avoiding constraint violations most of the time.

研究の動機と目的

• 大規模で非凸な電力網における正確な最適潮流（OPF）の計算的非可能性に対処する。
• 内点法などの従来のソルバーの限界を克服する。内点法は遅くスケーラブルではない。
• ラベル付きデータを必要とせず、物理的電力網制約を尊重する機械学習手法を開発する。
• グラフ信号処理とGNNを活用し、グリッドのトポロジーを活かしてスケーラブルかつ分散型のソリューションを実現する。
• 非教師あり学習中に制約を強制するための新規微分可能バリア法を導入する。

提案手法

• バスの電力注入から発電機出力へのマッピングをパラメータ化するためにグラフニューラルネットワーク（GNN）を用いる。
• 総発電コストの直接最小化によって、OPF問題を非教師あり学習タスクとして定式化する。
• 電圧、発電機、線路潮流制約を強制するため、ログバリア法に基づく微分可能で区分的ペナルティ関数を導入する。
• 勾配ベース最適化を用いてGNNを訓練し、損失関数にコスト最小化と制約違反ペナルティを組み合わせる。
• グリッドのスパース構造を活かして、分散型かつトポロジーに配慮した方法でGNNを適用する。
• 相対的違反誤差と制約違反の分布を用いて性能を評価する。コストや違反率のみに依存しない。

実験結果

リサーチクエスチョン

• RQ1 GNNは、最適解のラベル付きデータを一切必要とせずに、非教師ありでOPF問題を解くことができるか？
• RQ2 エンドツーエンド学習中に物理的制約を強制するために、微分可能ログバリアペナルティはどの程度効果的か？
• RQ3 GNNは、放射状ネットワークとメッシュネットワークの両方のような異なる電力系統トポロジーにどの程度一般化できるか？
• RQ4 電流制限や出力レート制限が厳密な場合、制約違反はシステムサイズやトポロジーに伴いどのようにスケーリングされるか？
• RQ5 標準的なソルバーと比較して、GNNベースのモデルは近似最適コストを達成しながら、低水準の制約違反率を維持できるか？

主な発見

• IEEE-118データセットにおいて、GNNの平均コストは903.96ドルであり、IPOPTソルバーの836.10ドルと比較して8.12%高いが、これは最先端の内点法と比較して非常に高い性能を示している。
• IEEE-118のテストサンプルの82.5%で制約違反が発生したが、電圧マグニチュードの最大相対違反は25.28%、発電機制限では17.20%であり、大多数の違反は分布の下位尾部に集中していた。
• 電流制限や出力レート制限が厳密な状況では、GNNがIPOPTを上回った。これは、送電制約がある実世界のシステムに適している可能性を示している。
• 特に局所性と制約が厳密な仮定が満たされる場合、スパースで局所的に構造化されたグリッドにおいて、モデルはより優れたスケーラビリティと実行可能性を示した。
• 提案された評価指標「相対的違反誤差」により、制約違反が一様に分布していないことが明らかになり、違反の深刻さが頻度よりも重要であることが強調された。
• IEEE-30システムでのハイパーパramータチューニングは、IEEE-118での性能を劣化させた。これは、システムサイズを越えたモデル一般化には、さらなるアーキテクチャ的またはデータ駆動型の適合が必要であることを示唆している。