[논문 리뷰] DeepOPF: Deep Neural Network for DC Optimal Power Flow

Xiang Pan, Tianyu Zhao외 1명|arXiv (Cornell University)|2019. 05. 11.

Optimal Power Flow Distribution참고 문헌 35인용 수 4

한 줄 요약

DeepOPF는 로드 입력과 최적의 디스패치 결정 간의 고차원 맵핑을 학습함으로써 DC 최적 부하 분배(DC-OPF) 문제를 해결하기 위한 딥 뉴럴 네트워크(DNN) 프레임워크를 제안한다. 문제의 구조와 균일 샘플링을 활용하여 과적합과 모델 복잡성을 줄이고, 전통적 솔버에 비해 계산 속도를 두 배수 높이면서도 최적성 손실이 극미미한 타당한 해를 도출한다.

ABSTRACT

We develop DeepOPF as a Deep Neural Network (DNN) approach for solving direct current optimal power flow (DC-OPF) problems. DeepOPF is inspired by the observation that solving DC-OPF for a given power network is equivalent to characterizing a high-dimensional mapping between the load inputs and the dispatch and transmission decisions. We construct and train a DNN model to learn such mapping, then we apply it to obtain optimized operating decisions upon arbitrary load inputs. We adopt uniform sampling to address the over-fitting problem common in generic DNN approaches. We leverage on a useful structure in DC-OPF to significantly reduce the mapping dimension, subsequently cutting down the size of our DNN model and the amount of training data/time needed. We also design a post-processing procedure to ensure the feasibility of the obtained solution. Simulation results of IEEE test cases show that DeepOPF always generates feasible solutions with negligible optimality loss, while speeding up the computing time by two orders of magnitude as compared to conventional approaches implemented in a state-of-the-art solver.

연구 동기 및 목표

• DC-OPF 문제를 효율적이고 확장 가능하게 해결하기 위한 딥 러닝 기반 접근법을 개발하는 것.
• DC-OPF의 구조적 특성을 활용하여 맵핑의 차원을 감소시켜 모델 크기와 학습 비용을 줄이는 것.
• 후처리 절차를 통해 해의 타당성을 보장함으로써 DNN 기반 최적화에서 흔한 과제를 극복하는 것.
• 해의 품질을 훼손하지 않으면서도 고속 계산을 달성하여 전력 시스템 운영에서 실시간 구현을 가능하게 하는 것.
• 기존의 볼록 솔버를 대체하기 위해 DNN이 반복적인 DC-OPF 인스턴스에 대해 타당성과 정확성을 갖는지 보여주는 것.

제안 방법

• 방법은 로드 프로파일에서 최적의 발전기 출력과 선로 유량으로의 고차원 회귀 문제로 DC-OPF를 재구성한다.
• 균일 샘플링을 사용하여 과적합을 완화시키기 위해 딥 피드포워드 신경망을 학습시킨다.
• DC-OPF의 구조적 제약 조건을 아키텍처에 통합하여 효과적인 맵핑 차원을 감소시켜 모델 복잡성과 데이터 요구량을 줄인다.
• 사전 처리 단계에서 로드 입력을 정규화하여 학습 안정성과 수렴성을 향상시킨다.
• 후처리 절차를 통해 DNN 출력을 물리적 및 운영 제약 조건을 만족하도록 조정하여 타당성을 확보한다.
• 손실 함수는 큰 발전기와 같은 고영향 변수의 정확한 예측을 우선시하여 총 비용 편차를 최소화하도록 설계된다.

실험 결과

연구 질문

• RQ1 주어진 전력망에 대해 딥 뉴럴 네트워크가 DC-OPF의 해 맵핑을 효과적으로 근사할 수 있는가?
• RQ2 DC-OPF의 구조적 특성을 어떻게 활용하여 학습 과제의 차원을 감소시키고 모델 효율성을 향상시킬 수 있는가?
• RQ3 균일 샘플링이 DNN 기반 DC-OPF 해에서 과적합을 효과적으로 방지할 수 있는가?
• RQ4 기존 솔버에 비해 DNN 기반 접근법이 해의 타당성과 최적성 유지를 어느 정도 유지할 수 있는가?
• RQ5 모델의 깊이가 DC-OPF 맥락에서 예측 정확도와 계산 효율성에 어떤 영향을 미치는가?

주요 결과

• DeepOPF는 모든 IEEE 테스트 케이스에서 일관되게 타당한 해를 생성하였으며, 시뮬레이션에서 타당성 문제가 관찰되지 않았다.
• 평균적으로 최적성 손실이 0.4% 이하이며, IEEE 118-bus 시스템에서 최고 성능 사례에서는 단지 +83$/시간(0.2%)의 편차를 보였다.
• 상태 기반의 볼록 솔버에 비해 계산 시간이 두 배수 감소하여, 해당 당 평균 0.17 밀리초로 단축되었다.
• 에포크당 학습 시간은 극히 짧았으며(예: 300-bus 케이스에서 19.0초), 반복 사용에 있어서 분할 학습 비용이 수용 가능했다.
• 더 깊은 네트워크(예: 3개의 은닉층)는 단일층 모델 대비 비용 편차를 50% 감소시켜 더 높은 정확도를 달성했다.
• 모든 발전기에서 예측 오차가 수용 가능한 수준이었으며, 특히 저출력 단위에 대한 총 비용에 미치는 영향은 최소였다.