[논문 리뷰] DeepOPF-U: A Unified Deep Neural Network to Solve AC Optimal Power Flow in Multiple Networks

Liang Heng, Changhong Zhao|arXiv (Cornell University)|2023. 09. 22.

Optimal Power Flow Distribution인용 수 4

한 줄 요약

DeepOPF-U는 다양한 전력망과 확장 가능한 전력망에서 교류 최적 전력 흐름(AC OPF) 문제를 해결하기 위해 유일한 딥 뉴럴 네트워크를 제안한다. 탄성 입력/출력 레이어를 통해 버스 수, 회로 수, 부하 및 분산 에너지 자원(DERs)의 수가 변동하는 상황에서도 유연하게 대응한다. 기존 솔버 대비 최대 4,880배 빠른 성능을 달성하면서도 near-optimal 해를 유지하며 제약 조건을 충족시키며 재학습 없이도 일반화 능력을 유지를 한다.

ABSTRACT

The traditional machine learning models to solve optimal power flow (OPF) are mostly trained for a given power network and lack generalizability to today's power networks with varying topologies and growing plug-and-play distributed energy resources (DERs). In this paper, we propose DeepOPF-U, which uses one unified deep neural network (DNN) to solve alternating-current (AC) OPF problems in different power networks, including a set of power networks that is successively expanding. Specifically, we design elastic input and output layers for the vectors of given loads and OPF solutions with varying lengths in different networks. The proposed method, using a single unified DNN, can deal with different and growing numbers of buses, lines, loads, and DERs. Simulations of IEEE 57/118/300-bus test systems and a network growing from 73 to 118 buses verify the improved performance of DeepOPF-U compared to existing DNN-based solution methods.

연구 동기 및 목표

• 각각의 새로운 네트워크 구조에 대해 재학습이 필요한 기존 DNN 기반 OPF 모델의 일반화 능력 부족 문제를 해결한다.
• 다양한 구조와 크기를 가진 다수의 전력망에서 AC OPF 문제를 해결할 수 있는 단일 딥 뉴럴 네트워크를 구현한다.
• 확장되는 네트워크에서 새로운 버스, 회로, 부하 및 DERs를 재학습 없이 즉시 통합할 수 있는 플러그 앤 플레이 기능을 지원한다.
• 다양하고 변화하는 전력 시스템 구성에서 높은 해법 품질과 계산 효율성을 유지한다.

제안 방법

• 다양한 네트워크에서 변동하는 부하 및 해 벡터 길이를 동적으로 처리할 수 있도록 플러그 앤 플레이 신경망을 갖춘 탄성 입력 및 출력 레이어를 설계한다.
• 새로운 또는 확장된 네트워크에 대해 전체 재학습 없이도 단계적으로 통합 DNN 가중치를 업데이트하는 증분 학습 프로세스를 도입한다.
• 73에서 118버스로 확장되는 네트워크를 포함한 여러 네트워크에서의 부하-해결 맵핑을 하나의 통합 DNN이 학습하도록 한다.
• 네트워크 구조와 어드미ittance 데이터를 입력 표현에 통합하여 구조적 정보를 유지한다.
• 다양한 네트워크에서 동시에 데이터를 학습시켜 구조적 다양성에 대한 일반화 능력을 향상시킨다.
• 예측된 OPF 목적 함수 값과 진짜 값 간의 격차를 최소화하면서 제약 조건 충족을 강제하는 손실 함수를 적용한다.

실험 결과

연구 질문

• RQ1 다양한 구조와 크기를 가진 다수의 전력망에서 단일 딥 뉴럴 네트워크가 일반화 가능한가?
• RQ2 버스 수, 회로 수, 부하 및 DERs의 수가 변동하는 네트워크를 처리할 때 통합 DNN이 해법 품질을 얼마나 잘 유지하는가?
• RQ3 재학습 없이 네트워크 확장에 얼마나 잘 적응할 수 있는가?
• RQ4 정확도, 제약 조건 충족도, 속도 향상 측면에서 기존 DNN 기반 OPF 방법과 비교해 성능가능성은 어떠한가?
• RQ5 다중 네트워크 AC OPF 해결에서 모델의 일반화 능력과 계산 효율성 사이의 상충 관계는 어떠한가?

주요 결과

• IEEE 2,000버스 시스템에서 DeepOPF-U는 MIPS 솔버 대비 평균 4,880배 빠른 속도 향상을 달성했으며, DACOPF(×184)와 EACOPF(×373)를 크게 앞서나간다.
• 제약 조건 충족도는 거의 완벽한 편: 전압 크기 및 회로 흐름 제한은 100%, 무공/기공 전력 발전 제한은 99.7% 이상을 기록한다.
• DeepOPF-U 예측값과 MIPS 해의 목적 함수 간 격차는 뿐만 아니라 높은 해법 정확도를 보여준다.
• DeepOPF-V는 피더당 별도의 DNN이 필요하지만 DeepOPF-U는 이를 44% 적은 스토리지로 구현하여 훨씬 뛰어난 확장성 확보를 보였다.
• 73버스에서 118버스로 확장되는 네트워크에서 DeepOPF-U는 실제값과의 편차를 최소화하며 시간에 따라 변화하는 OPF 해를 성공적으로 추적했다.
• 통합 DNN은 무공 전력에 대해 평균 99.67%, 무공 전력에 대해 99.63%의 평균 부하 만족도를 달성하여 부하 처리 능력의 강력함을 입증했다.