[논문 리뷰] A K-Nearest Neighbor Heuristic for Real-Time DC Optimal Transmission Switching

Emma Savannah Johnson, Shabbir Ahmed외 2명|arXiv (Cornell University)|2020. 03. 23.

Vehicle Routing Optimization Methods인용 수 7

한 줄 요약

이 논문은 과거의 해를 활용하여 유사한 부하 및 비용 프로파일을 가진 상황을 찾아내고, 그 해들 중에서 가장 우수한 성능을 보이는 전력망 구조를 선택하는 k-최근접 이웃(KNN) 휴리스틱을 제안한다. 이 방법은 기존의 휴리스틱 및 상용 솔버보다 고급 품질의 해를 더 빠르게 도출하며, 실시간 제약 조건 내에서 3,375bus 규모의 대규모 네트워크로도 효율적으로 확장 가능하다.

ABSTRACT

While transmission switching is known to reduce power generation costs, the difficulty of solving even DC optimal transmission switching (DCOTS) has prevented optimal transmission switching from becoming commonplace in real-time power systems operation. In this paper, we present a k-nearest neighbors (KNN) heuristic for DCOTS which relies on the insight that, for routine operations on a fixed network, the DCOTS solutions for similar load profiles and generation cost profiles will likely turn off similar sets of lines. We take a data-driven approach and assume that we have DCOTS solutions for many historical instances, which is realistic given that the problem is solved every 5 minutes in practice. Given a new instance, we find a set of "close" instances from the past and return the best of their solutions for the new instance. We present a case study on 7 test networks ranging in size from 118 to 3,375 buses. We compare the proposed heuristic to DCOTS heuristics from the literature, commercial solver heuristics, and a simple greedy local search algorithm. In most cases, we find better quality solutions in less computational time. In addition, the computational time is within the limits imposed by real-time operations, even on larger networks. Last, we present an empirical study of our training data to understand why the heuristic works well.

연구 동기 및 목표

• 전력 시스템의 5분 운영 창문과 함께 NP-완전성으로 인해 실시간으로 DC 최적 전송 스위칭(DCOTS) 문제를 해결하는 데 도전하는 것.
• 기존의 MIP 기반 휴리스틱 및 상용 솔버와 비교해 품질과 계산 효율성을 향상시키는 확장 가능한 데이터 기반 휴리스틱을 개발하는 것.
• 실시간 운영 환경에서 기존의 MIP 기반 휴리스틱 및 상용 솔버와 비교해 해 품질과 계산 효율성을 향상시키는 것.
• 다양한 테스트 네트워크에서 휴리스틱을 실증적으로 검증하고, 효과적인 전송 스위칭을 이끄는 기본 패턴을 이해하는 것.

제안 방법

• KNN 휴리스틱은 네트워크의 순수 수요(net demand) 기반의 거리 측정 기반으로 현재 인스턴스와 유사한 부하 및 발전 비용 프로파일을 가진 과거 인스턴스 'k'개를 식별한다.
• 각각의 k개의 가장 가까운 이웃에 대해, 과거 데이터에서 해당하는 최적 또는 근사 최적의 전송 스위칭 해를 검색한다.
• k개의 가장 가까운 이웃 중에서 발전 비용이 가장 낮은 해를 현재 인스턴스의 휴리스틱 출력으로 선택한다.
• 이 방법은 유사한 시스템 조건(부하 및 비용 프로파일 기준)이 유사한 최적 스위칭 구조를 유도한다고 가정하며, 일상 운영에서의 시간적 상관관계를 활용한다.
• 이 방법은 정기적인 5분 디스패치 주기 동안 수집된 과거 DCOTS 해를 기반으로 훈련되며, 실시간 구현에 실용적이다.
• 거리 계산은 순수 수요 벡터에 기반하며, 차원 축소 여부에 따라 평가하여 정확성과 효율성의 견고성을 평가한다.

실험 결과

연구 질문

• RQ1 유사한 시스템 조건에서의 과거 데이터를 활용해 데이터 기반 KNN 휴리스틱이 고품질의 DCOTS 해를 효과적으로 근사할 수 있는가?
• RQ2 실시간 환경에서 기존의 MIP 기반 휴리스틱 및 상용 솔버와 비교해 KNN 휴리스틱의 해 품질과 계산 시간은 어떻게 다른가?
• RQ3 특히 3,375-bus 네트워크와 같은 대규모 시스템에서 KNN 접근법은 네트워크 크기에 대해 효율적으로 확장되는가?
• RQ4 시스템 상태의 어떤 특징(예: 부하 및 비용 프로파일)이 최적의 전송 스위칭 구조를 가장 잘 예측하는가?
• RQ5 수요 벡터의 차원 축소가 계산 오버헤드를 줄이면서도 해 품질을 유지할 수 있는가?

주요 결과

• KNN 휴리스틱은 7개의 테스트 네트워크 전반에서 문헌 기반 휴리스틱 및 상용 솔버 휴리스틱보다 해 품질에서 일관되게 뛰어난 성능을 보였다. 이는 3,375-bus 네트워크를 포함하여 모두 해당된다.
• 경쟁 기법들보다 더 짧은 계산 시간으로 해를 도출하였으며, 런타임이 실시간 운영 창인 5분 이내에 유지되었다.
• KNN 휴리스틱은 네트워크 크기에 대해 잘 확장되었으며, 전송선 수에 대한 약한 의존성만 보였고, 이는 대규모 시스템에 적합함을 시사한다.
• 차원 축소된 순수 수요 표현을 사용할 경우에도 높은 해 품질을 유지하였으며, 특히 스위칭 기능의 수가 많아질수록 분산이 약간 감소하였다.
• 실증 분석을 통해 최적 해에서 일반적으로 스위칭되는 선의 수가 작고, 개별 버스의 행동보다는 전체적인 혼잡 패턴이 최적의 구조를 결정짓는 주요 요인임을 밝혀냈다.
• 결과적으로 전송 스위칭 결정은 혼잡 패턴의 집합적 변화에 주로 영향을 받으며, 이는 유사한 시스템 상태를 효과적으로 군집화할 수 있음을 시사한다.