[논문 리뷰] High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow

Minas Chatzos, Ferdinando Fioretto외 2명|arXiv (Cornell University)|2020. 06. 29.

Optimal Power Flow Distribution참고 문헌 28인용 수 42

한 줄 요약

이 논문은 대규모 전력계통(최대 3400 버스)용 AC-OPF의 고충실도, 밀리초 규모 근사치를 생성하기 위해 라그랑지 듀얼성과 결합된 딥 뉴럴 네트워크 접근법인 OPF-DNN을 제시하며, 발전기 비용은 최적값의 0.01% 이내로 강한 제약 만족도를 달성합니다.

ABSTRACT

The AC Optimal Power Flow (AC-OPF) is a key building block in many power system applications. It determines generator setpoints at minimal cost that meet the power demands while satisfying the underlying physical and operational constraints. It is non-convex and NP-hard, and computationally challenging for large-scale power systems. Motivated by the increased stochasticity in generation schedules and increasing penetration of renewable sources, this paper explores a deep learning approach to deliver highly efficient and accurate approximations to the AC-OPF. In particular, the paper proposes an integration of deep neural networks and Lagrangian duality to capture the physical and operational constraints. The resulting model, called OPF-DNN, is evaluated on real case studies from the French transmission system, with up to 3,400 buses and 4,500 lines. Computational results show that OPF-DNN produces highly accurate AC-OPF approximations whose costs are within 0.01% of optimality. OPF-DNN generates, in milliseconds, solutions that capture the problem constraints with high fidelity.

연구 동기 및 목표

• AC-OPF를 비볼록 NP-hard 문제로 제시하고 발전의 증가하는 확률적 변동성을 다룬다.
• 물리적 제약을 준수하면서 AC-OPF 설정값을 산출하는 학습 기반 대리모형(OPF-DNN)을 개발한다.
• 대규모 실제 네트워크(최대 3400 버스, 4500 차선)에서 높은 충실도와 확장성을 시연한다.
• 제약 처리를 위반 기반의 라그랑지안 완화로 DNN 프레임워크 내에 통합한다.

제안 방법

• AC-OPF 학습 과제를 제약된 경험적 위험 최소화 문제로 모델링한다.
• 전압의 크기 및 각도, 발전기의 유효 전력(P)과 무효 전력(Q)을 예측하고 Ohm의 법칙을 통해 선로 흐름을 추정하여 네트워크 물리를 준수한다.
• OPF 제약을 학습 손실에 통합하기 위해 위반 기반의 라그랑지안 완화를 사용하고, 승수 갱신을 위한 라그랑지안 이중 최적화를 수행한다.
• 각 분기가 v, theta, p^g, q^g를 예측하는 네 가지 분기로 구성된 네 분기 완전 연결 DNN 아키텍처를 활용하며, 제약에 대한 손실(L_c)과 목적 손실(L_o)을 포함한다.
• GPU에서 Adam으로 학습하고 라그랑지안 이중을 해결하기 위해 승수를 주기적으로 갱신한다(Algorithm 1).
• 초대형 프랑스 시스템 아날로그를 평가하여 밀리초 예측 시간과 AC-OPF에 근접한 최적 비용을 보여준다.

실험 결과

연구 질문

• RQ1 물리적 제약을 준수하면서 대규모 전력 계통에 대해 DNN 기반 모델이 고충실도로 AC-OPF 해를 근사할 수 있는가?
• RQ2 위반 기반의 라그랑지안 완화가 학습 중 및 예측 시 AC-OPF 제약을 충족하도록 학습 모델을 얼마나 잘 이끌 수 있는가?
• RQ3 수천 개의 버스로 확장할 때 예측 속도와 해의 최적성/실현 가능성 사이의 트레이드오프는 어떠한가?
• RQ4 현실 세계의 대형 네트워크에서 정확도, 실현 가능성, 계산 자원 측면에서 OPF-DNN의 성능은 어떠한가?

주요 결과

• OPF-DNN은 대규모 AC-OPF 인스턴스에 대해 밀리초의 예측 시간을 달성한다.
• 본 방법은 AC-OPF 목적값이 실제 최적값에 매우 근접하게 나오며, 보고된 실험에서 비용 차이는 AC-OPF 기준선에 비해 최소 수준이다.
• 제안된 방법으로 제약 만족도가 매우 높고, 대부분의 제약은 거의 100%에 가깝게 만족되며 남은 제약은 평균 위반이 작다.
• 예측된 전압과 Ohm의 법칙을 통한 간접 흐름 예측은 선로 흐름의 정확도를 높이고 AC-OPF 제약 충족에 도움을 준다.
• 제약 없이 기준선과 비교하여, 위반 인지 학습(OPF-DNN)은 대형 네트워크에서 더 안정적으로 수렴하고 더 나은 실현 가능성과 목적 성능을 제공한다.
• 프랑스 시스템 규모의 네트워크(최대 3,411 버스, 4,499 개의 라인)에서의 학습은 확장성과 실용적 적용 가능성을 입증한다.