[논문 리뷰] A Learning-boosted Quasi-Newton Method for AC Optimal Power Flow

Kyri Baker|arXiv (Cornell University)|2020. 07. 12.

Power System Optimization and Stability참고 문헌 19인용 수 16

한 줄 요약

이 논문은 뉴턴-랩슨의 야코비안 역행렬 계산을 딥 뉴럴 네트워크로 대체하여 수렴 속도를 향상시키는 학습 강화 퀼라스뉴턴 방법을 제안한다. 모델은 학습 데이터로부터 반복적 내림방향을 학습하여 야코비안 계산 없이도 빠르고 안정적인 해를 도출할 수 있으며, 1,354버스 네트워크와 같은 대규모 시스템에서 최신 솔버 대비 최대 22.5배 빠른 해를 얻었으며, 중간 정도의 타당성 오차가 있음에도 낮은 최적성 갭을 유지한다.

ABSTRACT

Power grid operators typically solve large-scale, nonconvex optimal power flow (OPF) problems throughout the day to determine optimal setpoints for generators while adhering to physical constraints. Despite being at the heart of many OPF solvers, Newton-Raphson can be slow and numerically unstable. To reduce the computational burden associated with calculating the full Jacobian and its inverse, many Quasi-Newton methods attempt to find a solution to the optimality conditions by leveraging an approximate Jacobian matrix. In this paper, a Quasi-Newton method based on machine learning is presented which performs iterative updates for candidate optimal solutions without having to calculate a Jacobian or approximate Jacobian matrix. The proposed learning-based algorithm utilizes a deep neural network with feedback. With proper choice of weights and activation functions, the model becomes a contraction mapping and convergence can be guaranteed. Results shown for networks up to 1,354 buses indicate the proposed method is capable of finding approximate solutions to AC OPF very quickly.

연구 동기 및 목표

• 대규모 AC OPF에서 야코비안 계산의 비용과 악조건 행렬로 인한 수치적 불안정성으로 인한 계산 부담을 해결하기 위해.
• 행렬 역행렬 계산을 피하면서도 해 품질을 유지하는 빠르고 실시간 적용이 가능한 OPF 솔버를 개발하기 위해.
• 기계학습을 활용해 최적화 과정에서 내림방향을 학습하여 명시적 야코비안 구축을 피하기 위해.
• 적절한 네트워크 가중치 및 활성화 함수 설계를 통해 수축 사상 성질을 확보하여 수렴을 보장하기 위해.
• 실제 시스템에서의 성능 평가를 통해 1초 간격의 동적 부하 변화 추적 능력을 확보하기 위해.

제안 방법

• 완전 연결된 3층 피드포워드 신경망 $F_R$ 를 학습시켜 현재 후보 해 $\mathbf{x}^k$ 를 다음 반복값 $\mathbf{x}^{k+1}$ 로 매핑함으로써, 뉴턴-랩슨 업데이트 단계를 대체한다.
• 신경망은 야코비안 또는 그 역행렬을 계산하지 않고도, 뉴턴-랩슨 반복에서 생성된 데이터를 기반으로 내림방향을 모방하도록 학습된다.
• 모델은 피드백 연결을 통해 순환 신경망처럼 동작하며, 수렴 조건 $||\mathbf{x}^{k+1} - \mathbf{x}^k|| \leq \epsilon$ 을 만족할 때까지 반복적으로 해를 정밀화한다.
• 적절한 가중치 초기화와 활성화 함수를 사용하여 네트워크를 수축 사상으로 설계하면 수렴이 보장된다.
• 변수의 범위 제약은 출력층의 임계값 처리를 통해 구현되며, 타당성은 추론 후 평가된다.
• 행렬 역행렬 계산을 완전히 제거함으로써 악조건 행렬 문제를 피하고, 오직 학습된 동역학에 의존한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크가 야코비안을 명시적으로 계산하지 않고도 AC OPF의 뉴턴-랩슨 업데이트 단계를 효과적으로 학습하고 대체할 수 있는가?
• RQ2 제안된 학습 강화 방법이 대규모 AC OPF 문제에서 기존 솔버보다 더 빠른 수렴을 달성하는가?
• RQ3 수치적 불안정성 없이 계산 시간을 크게 줄였을 때도 모델이 해 품질(최적성 갭)을 유지할 수 있는가?
• RQ4 기존 솔버와 비교해 1초 간격의 부하 변화와 같은 동적 조건 변화를 얼마나 잘 추적할 수 있는가?
• RQ5 특히 1,354버스 시스템과 같은 대규모 시스템에서 솔루션 속도와 타당성 사이의 상충 관계는 어떠한가?

주요 결과

• 1,354버스 시스템에서 학습 강화 방법은 MIPS 솔버 대비 최대 22.5배 빠른 해를 도출했으며, 테스트 케이스 전반에서 평균 최적성 갭은 1.16%였다.
• 1,354버스 시스템에서 전력 흐름 방정식의 평균 제약 위반은 9.95 pu로 나타나, 더 많은 학습 데이터 또는 더 높은 모델 복잡도가 필요함을 시사한다.
• 근사치임에도 불구하고, 이 방법은 MATPOWER보다 실시간 부하 변화(1초 간격)를 더 정확하게 추적했으며, MATPOWER는 해를 도출하는 데 약 3초가 소요되었다.
• 500버스 시스템에서는 학습 강화 방법이 더 낮은 계산 시간 변동성을 보여, 정기적인 간격의 배포에 더 신뢰할 수 있음을 입증했다.
• 30버스 시스템에서는 일부 케이스에서 MIPS보다 더 낮은 평균 제약 위반을 기록했으며, 이는 더 엄격한 학습 허용 오차로 인한 것으로 보인다.
• 제안된 방법은 네트워크를 수축 사상으로 설계함으로써 수렴이 보장되어 반복적 안정성을 확보했다.