[논문 리뷰] CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations

Luis Piloto, Sofia Liguori외 7명|arXiv (Cornell University)|2024. 03. 26.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

CANOS는 그래프 신경망 기반의 신경 해소법으로, AC-최적화 전력 흐름(AC-OPF) 문제를 해결하며, 진짜 AC-OPF 비용의 1% 이내의 near-optimal 해를 도출하면서도 33–65ms 내로 실행 가능하다. 이는 N-1 위상 변화 조건에서도 성립하며, 최대 10,000 버스를 포함하는 그리드에 대해 확장 가능하며, 위상 변화 상황에서도 타당성과 정확성을 유지하여 실시간 및 안전성 제약이 있는 전력 시스템 운영 환경에서의 강력한 구현 가능성을 제공한다.

ABSTRACT

Optimal Power Flow (OPF) refers to a wide range of related optimization problems with the goal of operating power systems efficiently and securely. In the simplest setting, OPF determines how much power to generate in order to minimize costs while meeting demand for power and satisfying physical and operational constraints. In even the simplest case, power grid operators use approximations of the AC-OPF problem because solving the exact problem is prohibitively slow with state-of-the-art solvers. These approximations sacrifice accuracy and operational feasibility in favor of speed. This trade-off leads to costly "uplift payments" and increased carbon emissions, especially for large power grids. In the present work, we train a deep learning system (CANOS) to predict near-optimal solutions (within 1% of the true AC-OPF cost) without compromising speed (running in as little as 33--65 ms). Importantly, CANOS scales to realistic grid sizes with promising empirical results on grids containing as many as 10,000 buses. Finally, because CANOS is a Graph Neural Network, it is robust to changes in topology. We show that CANOS is accurate across N-1 topological perturbations of a base grid typically used in security-constrained analysis. This paves the way for more efficient optimization of more complex OPF problems which alter grid connectivity such as unit commitment, topology optimization and security-constrained OPF.

연구 동기 및 목표

• 대규모 전력 그리드에서 정확한 AC-OPF를 실시간으로 해결하는 데 있어 계산상의 비현실성 문제를 해결하기 위해.
• 기존의 DC-OPF와 같은 근사 기법들이 비용이 많이 들고 오염 배출을 증가시키는 상황을 초래하는 속도와 정확성 간의 상충 문제를 해결하기 위해.
• 선로 정지(N-1 고장)와 같은 위상 변화 상황에서도 타당성과 정확성을 유지할 수 있는 기계학습 모델을 개발하기 위해.
• 제약 조건을 충족시키는 것을 유지하면서도 실제 그리드 크기(최대 10,000 버스)에서 확장 가능한 신경 해소법의 구현을 가능하게 하기 위해.
• 안전성 제약이 있는 OPF, 단위 기동, 최적의 송전 스위칭 등 더 복잡한 OPF 변형 문제를 해결하기 위한 기반을 마련하기 위해.

제안 방법

• CANOS는 전력 그리드의 위상과 전력 흐름을 모델링하기 위해 36–60단계의 메시지 전달을 수행하는 깊은 그래프 신경망(GNN)을 사용하며, 인코딩-프로세싱-디코딩 아키텍처를 채택한다.
• 모델은 다양한 그리드 구성, 특히 N-1 선로 정지 시나리오를 포함한 부하 값의 변형을 통해 생성된 합성 데이터를 기반으로 엔드 투 엔드로 훈련된다.
• 반복 최적화를 거치지 않고도 그리드 파rameter에서 직접 최적의 발전 조정 및 전압 프로파일을 예측한다.
• 제약 조건의 타당성을 확보하기 위해, 전력 흐름 방정식을 적용하여 예측치를 검증하고 보정하는 미분 가능한 후처리 단계를 도입한다.
• 손실 함수에는 제약 위반에 대한 페널티 항목이 포함되어 있으며, 라그랑주 기법 또는 제로 기울기 기법을 통해 향상 가능성이 있다.
• GNN이 자연스럽게 그래프 구조 간의 일반화를 가능하게 하므로, 재학습 없이도 위상 변화가 발생한 그리드에서도 추론이 가능하여 위상 변화에 강건하다.

Figure 1 : CANOS input (left) and output (right) graph structures. Different node and edge types are represented in different colors. The output graph only contains entities with predicted features.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 대규모 전력 그리드에서 65ms 이내의 인fer 시간으로 near-optimal한 AC-OPF 해를 도출할 수 있는가?
• RQ2 GNN 기반 해소법이 선로 정지와 같은 N-1 위상 변화 조건 하에서도 타당성과 정확성을 얼마나 잘 유지하는가?
• RQ3 신경 기반 AC-OPF 해소법이 실제 그리드 크기(예: 10,000 버스)까지 확장 가능하며, 해의 품질을 유지할 수 있는가?
• RQ4 신경 해소법이 운영 타당성 손실 없이 전통적 해소법을 실시간 및 안전성 제약이 있는 OPF 응용 분야에서 대체할 수 있는가?
• RQ5 재학습 없이도 새로운 선로 또는 고장 상황과 같은 새로운 위상 변화에 대해 모델이 얼마나 잘 일반화되는가?

주요 결과

• CANOS는 테스트 케이스에서 진짜 AC-OPF 비용의 1% 이내의 해를 도출하여, 신경 해소법으로서 높은 최적성 달성을 입증한다.
• 모델은 1회 추론당 33–65ms 내로 실행되어 동적 전력 시스템 운영 환경에서 실시간 구현이 가능하다.
• 10,000 버스 시스템에서 N-1 흐름 변화 조건 하에서도 평균 99.8%의 높은 제약 조건 타당성 유지율을 기록하여 위상 변화에 대한 강력한 강건성을 입증한다.
• 훈련 중에 다루지 않은 N-1 고장 조건에도 불구하고 성능 저하 없이 잘 일반화되어, 훈련 시점의 변형을 초월한 강력한 일반화 능력을 보인다.
• 메시지 전달 단계를 늘일수록 성능 향상이 관찰되어, 더 깊은 GNN 아키텍처가 해의 품질을 향상시킬 수 있음을 시사한다.
• 위상에 대한 강건성 덕분에 CANOS는 SC-OPF, 단위 기동, 최적의 송전 스위칭 등 복잡한 OPF 변형 문제에 실용적으로 적용 가능하다.

Figure 2 : CANOS architecture. The colored layers have trainable weights, while the striped module is a non-parameterized graph function. The decoder outputs the voltage angle $\texttt{va}=\angle(V_{i}V^{*}_{j})$ and voltage magnitude $\texttt{vm}=|V_{i}|$ as bus node features, as well as quantities