[논문 리뷰] Data-driven Decision Making with Probabilistic Guarantees (Part 1): A Schematic Overview of Chance-constrained Optimization

Xinbo Geng, Le Xie|arXiv (Cornell University)|2019. 03. 25.

Risk and Portfolio Optimization참고 문헌 68인용 수 13

한 줄 요약

이 논문은 전력 시스템에서 데이터 기반 확률 제약 최적화에 대해 종합적인 리뷰와 오픈소스 도구상자를 제시한다. 특히 특정 확률 분포를 가정하지 않고도 확률적 타당성 보장을 제공하는 방법에 초점을 맞추고 있다. 본 논문은 표준 최적화 솔버에 적합한 형태로 확률 제약을 자동으로 변환할 수 있도록 도와주는 ConvertChanceConstraint (CCC) 도구상자를 도입하여, 다양한 솔버와 문제 유형에서 효율적인 구현을 가능하게 한다.

ABSTRACT

Uncertainties from deepening penetration of renewable energy resources have posed critical challenges to the secure and reliable operations of future electric grids. Among various approaches for decision making in uncertain environments, this paper focuses on chance-constrained optimization, which provides explicit probabilistic guarantees on the feasibility of optimal solutions. Although quite a few methods have been proposed to solve chance-constrained optimization problems, there is a lack of comprehensive review and comparative analysis of the proposed methods. Part I of this two-part paper reviews three categories of existing methods to chance-constrained optimization: (1) scenario approach; (2) sample average approximation; and (3) robust optimization based methods. Data-driven methods, which are not constrained by any particular distributions of the underlying uncertainties, are of particular interest. Part II of this two-part paper provides a literature review on the applications of chance-constrained optimization in power systems. Part II also provides a critical comparison of existing methods based on numerical simulations, which are conducted on standard power system test cases.

연구 동기 및 목표

• 전력 시스템에서의 확률 제약 최적화를 위한 수학적 공식화 및 계산 알고리즘에 대한 종합적이고 최신의 리뷰를 제공하기 위해.
• 기존의 확률 제약 문제를 해결하는 데 있어 비교 분석과 체계적인 리뷰의 부족을 보완하기 위해.
• 확률 제약을 솔버 호환 형태로 자동 재구성하는 데 중점을 두고, 오픈소스 MATLAB 도구상자(ConvertChanceConstraint)를 개발하기 위해.
• 분포 가정 없이도 확률적 타당성 보장을 제공함으로써 데이터 기반의 불확실성 하에서의 의사결정 지원을 위해.
• YALMIP를 통한 주요 최적화 솔버와의 통합을 통해 재현 가능성 향상과 광범위한 도입을 촉진하기 위해.

제안 방법

• 시나리오 접근법, 표본 평균 근사(SAA), 그리고 복원 최적화 기반 방법의 세 가지 주요 유형의 방법을 리뷰한다.
• 시나리오 접근법을 활용하여 샘플된 시나리오를 이용해 확률 제약을 결정론적 제약으로 변환하며, 외부 샘플 타당성에 대한 이론적 보장을 제공한다.
• 표본 평균 근사(SAA)를 적용하여 확률 제약을 경험적 평균으로 변환하고, 혼합정수계획법으로 해를 구한다.
• 컨디셔널 밸류어트어リスク(CVaR) 기반 방법 등과 같은 볼록 근사 기법을 활용해 확률 제약을 효율적인 볼록 최적화에 적합한 볼록 형태로 완화한다.
• YALMIP 기반의 모듈러한 MATLAB 도구상자(ConvertChanceConstraint)를 통해 모든 방법을 구현하여, Gurobi, CPLEX, Mosek 등의 솔버와 원활하게 통합할 수 있도록 한다.
• 평가된 해의 사후 보장을 계산하고 외부 샘플 위반 확률을 산정하기 위한 통계 검증 기능을 통합한다.

실험 결과

연구 질문

• RQ1 다양한 데이터 기반의 확률 제약 최적화 방법들이 해의 품질, 보수성, 계산 효율성 측면에서 어떻게 상호 비교되는가?
• RQ2 전력 시스템 응용 맥락에서 시나리오 접근법, SAA, 복원 최적화 기반 방법의 이론적 기초와 확률적 보장은 무엇인가?
• RQ3 통합적이고 오픈소스인 도구상자가 다양한 최적화 솔버와 문제 유형 간의 확률 제약 재구성 과정을 효과적으로 자동화할 수 있는가?
• RQ4 표준 전력 시스템 테스트 케이스에서 각 방법의 해가 타당성과 최적성 측면에서 어떻게 성능을 발휘하는가?
• RQ5 데이터 크기와 샘플링 전략이 결과 해의 신뢰성과 보수성에 어떤 영향을 미치는가?

주요 결과

• 시나리오 접근법은 외부 샘플 타당성에 대해 강력한 확률적 보장을 제공하며, 샘플 수에 기반한 위반 확률에 대한 이론적 경계를 제공한다.
• 표본 평균 근사(SAA)는 확률 제약을 혼합정수계획법으로 변환하여 상용 솔버를 통해 정확한 해를 도출할 수 있지만, 계산 비용이 높은 편이다.
• 조건부 밸류어트어리스크(CVaR) 기반 볼록 근사 방법은 대규모 문제에 적합한 해석 가능하고 볼록 형태의 근사를 제공한다.
• ConvertChanceConstraint (CCC) 도구상자는 다양한 솔버와 호환되는 형태로 확률 제약을 성공적으로 자동 재구성하여 재현 가능성과 사용성 향상을 이룬다.
• 표준 전력 시스템 테스트 케이스에서의 수치 시뮬레이션 결과, 사용된 방법에 따라 해의 보수성과 최적성에 큰 영향을 미치며, 계산 노력과 타당성 보장 간의 상충 관계가 존재함을 확인하였다.
• 도구상자는 외부 샘플 위반 확률 추정 및 사후 보장 계산과 같은 효율적인 후처리 분석을 가능하게 하여 실세계 적용에 매우 중요하다.