[논문 리뷰] Data-Driven Screening of Network Constraints

Salvador Pineda, Juan M. Morales외 1명|arXiv (Cornell University)|2019. 07. 10.

Electric Power System Optimization인용 수 1

한 줄 요약

이 논문은 기존 수요 및 재생 가능 에너지 발전 데이터를 활용하여 전력송전선로의 역사적 혼잡 패턴을 학습하고, 비혼잡 선로를 최적화에서 제외함으로써 전송제약이 있는 단위 commitment (TC-UC) 문제의 계산 복잡도를 감소시키는 데이터 기반 방법을 제안한다. 과거의 수요 및 재생 가능 에너지 발전 데이터를 기반으로, 최적해에 가까운 해를 얻을 수 있는 더 작은, 더 빠르게 풀 수 있는 TC-UC 문제를 구성함으로써 중규모 및 대규모 시스템에서 높은 속도 향상을 이룩하면서도, 최적성 보장을 위한 제약 생성 기법과도 호환된다.

ABSTRACT

The transmission-constrained unit commitment (TC-UC) problem is one of the most relevant problems solved by independent system operators for the daily operation of power systems. Given its computational complexity, this problem is usually not solved to global optimality for real-size power systems. In this paper, we propose a data-driven method that leverages historical information to screen out network constraints in the TC-UC problem. First, past data on demand and renewable generation throughout the network are used to learn the congestion status of transmission lines. Then, we infer the lines that will not become congested for upcoming operating conditions based on such learning and disregard their capacity constraints. This way, we formulate a reduced TC-UC problem that is easier to solve. Numerical results on a medium- and a large-size power system show that the proposed approach outperforms existing ones by significantly reducing the computational time while obtaining solutions that are equal or close to the one obtained with the original TC-UC problem. Furthermore, the purely data-driven method we propose can be seamlessly complemented with a constraint generation procedure to guarantee that the optimal solution to the original TC-UC problem is eventually recovered.

연구 동기 및 목표

• 실규모 전력시스템에 대한 전송제약이 있는 단위 commitment (TC-UC) 문제를 해결할 때 발생하는 높은 계산 복잡도를 해결하기 위해.
• 미래 운영 조건에서 혼잡이 발생할 가능성이 낮은 송전선로를 식별하고 제외하여 TC-UC 문제의 크기를 줄이기 위해.
• 혼잡 예측을 위해 히우리스틱이나 모델 기반 가정에 의존하지 않는 순수 데이터 기반의 스크리닝 방법을 개발하기 위해.
• 축소된 문제의 실용적 해법 가능성을 유지하면서도 제약 생성을 통해 최적 해를 복원할 수 있도록 하기 위해.
• 중규모 및 대규모 전력시스템에서 본 방법의 효과성을 입증하기 위해.

제안 방법

• 시스템 전역 수요 및 재생 가능 에너지 발전에 대한 역사적 데이터를 활용하여 송전선로의 혼잡 상태를 예측하는 모델을 학습한다.
• 다양한 운영 조건에서 선로 혼잡 패턴을 학습하여 향후 시나리오에서 비혼잡 상태를 유지하는 선로를 식별한다.
• 비혼잡으로 예측된 선로는 TC-UC 수식에서 제외되어 더 적은 네트워크 제약을 가진 축소된 최적화 문제로 이어진다.
• 축소된 TC-UC 문제는 기존 문제보다 훨씬 효율적으로 풀리며, 계산 시간이 크게 단축된다.
• 반복적으로 검증하고 제외된 제약을 복원할 수 있도록 제약 생성 절차를 통합하여 최종 해가 원래 TC-UC 문제의 최적 해와 일치함을 보장한다.
• 본 방법은 순수하게 데이터 기반이며, 스크리닝을 위해 전력 흐름 모델링이나 시스템 파rameter에 대한 가정이 필요하지 않다.

실험 결과

연구 질문

• RQ1 역사적 시스템 데이터를 효과적으로 활용하여 향후 운영 조건에서 혼잡이 발생하지 않을 전력송전선로를 예측할 수 있는가?
• RQ2 비혼잡 선로를 제외함으로써 TC-UC 문제의 계산 부담을 얼마나 줄일 수 있으며, 해 품질에 영향을 주지 않고서도 가능한가?
• RQ3 해결 품질과 계산 효율성 측면에서 기존 접근법과 비교해 본 방법의 성능은 어떠한가?
• RQ4 제약 생성을 통합함으로써 원래 TC-UC 문제의 최적 해를 보장할 수 있는가?
• RQ5 이 데이터 기반 스크리닝 접근법은 대규모 전력시스템에서 확장 가능하고 효과적인가?

주요 결과

• 제안된 데이터 기반 스크리닝 방법은 중규모 및 대규모 전력시스템에서 TC-UC 문제를 해결하는 데 있어 계산 시간을 크게 단축시킨다.
• 축소된 TC-UC 문제에서 도출된 해는 원래 문제의 최적 해와 동일하거나 매우 유사하다.
• 해 품질을 유지하면서도 높은 속도 향상을 이룩하여, 기존 접근법보다 계산 효율성이 뛰어나다.
• 제약 생성 통합으로 인해 원래 TC-UC 문제의 최적 해를 높은 신뢰도로 복원할 수 있다.
• 실제 전력시스템 규모에서 확장 가능하고 효과적이며, 시스템 운영자에게 실용적인 관련성을 보여준다.
• 순수하게 데이터 기반인 본 방법은 세부 시스템 모델링이나 가정 없이도 원활한 구현이 가능하다.