[논문 리뷰] Emulating AC OPF solvers for Obtaining Sub-second Feasible, Near-Optimal Solutions

Kyri Baker|arXiv (Cornell University)|2020. 12. 18.

Optimal Power Flow Distribution참고 문헌 8인용 수 8

한 줄 요약

이 논문은 깊이가 얕은 피드포워드 신경망과 피드백을 활용하여 내부점수법 AC OPF 솔버를 모방하는 기계학습 기반 접근법을 제안한다. 학습된 동역학을 통해 빠르게 수렴한 후, 전력 흐름 계산을 통해 AC 타당성을 확보함으로써, 최대 1,354 버스 시스템에서 1초 이내의 near-optimal 해를 도출한다. 이는 비용 측면에서 DC OPF를 능가하고, SOCP와 비교해도 속도와 정확도에서 뒤지지 않는다.

ABSTRACT

Using machine learning to obtain solutions to AC optimal power flow has recently been a very active area of research due to the astounding speedups that result from bypassing traditional optimization techniques. However, generally ensuring feasibility of the resulting predictions while maintaining these speedups is a challenging, unsolved problem. In this paper, we train a neural network to emulate an iterative solver in order to cheaply and approximately iterate towards the optimum. Once we are close to convergence, we then solve a power flow to obtain an overall AC-feasible solution. Results shown for networks up to 1,354 buses indicate the proposed method is capable of finding feasible, near-optimal solutions to AC OPF in milliseconds on a laptop computer. In addition, it is shown that the proposed method can find "difficult" AC OPF solutions that cause flat-start or DC-warm started algorithms to diverge.

연구 동기 및 목표

• 기계학습을 활용해 AC 최적 전력 흐름(AC OPF) 문제에 대해 빠르고 타당적이며 near-optimal 해를 도출하는 데 도전한다.
• 기존의 기계학습 기반 AC OPF 방법들이 속도 향상에도 불구하고 AC 타당성을 보장하지 못하는 한계를 극복한다.
• 직접 해를 예측하는 것이 아니라 반복적 솔버 동작을 모방하는 프레임워크를 개발하여 최적화 수렴 가능성을 보장한다.
• 제약 위반에 대한 복잡한 손실 함수나 훈련 데이터 제약 없이도 타당성을 확보한다.
• 기존 솔버가 발산할 수 있는 전통적인 해법이 실패할 수 있는, 큰 규모의 도전적인 네트워크—특히 전압 붕괴 근처의 상황—에서도 이 방법의 강건성을 입증한다.

제안 방법

• 세 층의 완전 연결 피드포워드 신경망 $F_R$ 는 Matpower 내부점수법 솔버(MIPS)의 반복 업데이트 단계를 모의하기 위해 훈련되며, 출력값을 피드백하여 다음 반복 단계를 생성한다.
• 이 네트워크는 현재 해 벡터 $\mathbf{x}^k = [\mathbf{v}^k, \boldsymbol{\theta}^k, \mathbf{P}_g^k, \mathbf{Q}_g^k]^T$ 를 입력으로 받아 다음 반복값 $\mathbf{x}^{k+1} = F_R(\mathbf{x}^k)$ 를 출력함으로써 최적값으로 향한 반복적 정밀화를 가능하게 한다.
• 수렴 조건은 $||\mathbf{x}^{k+1} - \mathbf{x}^k|| \leq \epsilon$ 로 설정되어 있어, 기존 솔버에서 필수적인 행렬 역행렬 계산 및 자코비안 계산을 피한다.
• 수렴 후, 예측된 변수 중 일부(전압 크기, 위상각, 발전기 출력)가 AC 전력 흐름 솔버에 전달되어 전체적인 AC 타당성이 확보된다.
• 이 방법은 제한된 훈련 세트나 수정된 OPF 공식화를 필요로 하지 않으며, 표준 AC OPF 솔버로부터의 해를 훈련 데이터로 사용한다.
• 이 방법은 기반 솔버에 종속되지 않으며, MIPS에 국한되지 않고 어떤 반복적 OPF 솔버에도 적용 가능한 프레임워크를 제공한다.

실험 결과

연구 질문

• RQ1 학습된 신경망 모델이 행렬 분해 없이 기존 AC OPF 솔버의 반복적 행동을 효과적으로 모의하여 빠른 수렴을 이룰 수 있는가?
• RQ2 제안된 방법이 대규모 시스템에서 서브초 이내의 실행 시간을 유지하면서도 near-optimal 목적 함수 값을 갖는 AC 타당 해를 도출할 수 있는가?
• RQ3 표준 솔버가 수렴에 실패할 수 있는 도전적인 AC OPF 케이스—예를 들어 전압 붕괴 근처의 상황—에서 이 방법은 어떻게 성능을 발휘하는가?
• RQ4 AC 타당성이 요구되는 상황에서, 이 방법이 DC OPF 및 SOCP 리 릴랙세이션보다 해의 품질과 속도 측면에서 뛰어나게 성능을 발휘하는가?
• RQ5 특수한 데이터 증강이나 제약 위반에 대한 손실 함수를 제약 없이 다양한 운영 조건에 대해 일반화 가능한가?

주요 결과

• 이 방법은 랩탑을 사용하여 30, 500, 1,354 버스 시스템에서 각각 0.05~0.25초의 서브초 수준 솔루션 시간을 달성했으며, SOCP 및 기존 솔버보다 빠르다.
• 1,354 버스 시스템에서 평균 최적성 갭은 0.09%를 기록하여 SOCP(0.28%)를 능가했고, MIPS가 도출한 최고 성능 해와 동일한 성능을 보였다.
• 플랫스타트 및 DC-워밍스타트로 인해 MIPS 솔버가 발산했던 AC OPF 인스턴스를 성공적으로 해결하여, 어려운 케이스에서의 강건성을 입증했다.
• 단일 네트워크 구성에서 훈련된 모델이 전압 붕괴 근처와 같은 다양한 부하 조건에서도 일반화 성능을 보였다.
• AC 전력 흐름 후처리 단계에서 AC OPF 해보다 목적 함수 값이 증가한 것으로 나타났는데, 이는 슬랙 버스 과잉 발전으로 인한 것으로 보이며, 타당성 확보 과정에서의 상충 관계를 시사한다.
• 모델은 랩탑에서 12시간 이내에 훈련되었고, 단일 은닉층만을 사용하여 깊은 구조에 비해 훈련 비용이 낮고 튜닝이 용이함을 보였다.