[논문 리뷰] Hot-Starting the Ac Power Flow with Convolutional Neural Networks

Liangjie Chen, Joseph Euzebe Tate|arXiv (Cornell University)|2020. 04. 20.

Power System Optimization and Stability참고 문헌 28인용 수 16

한 줄 요약

이 논문은 뉴턴-라프슨 기반의 교류潮流 (ACPF) 해법을 위한 향상된 초기 전압 조건(핫스타트)을 생성하기 위해 1D 컨volution 신경망(1D CNN) 프레임워크를 제안한다. 입력으로는 직류潮流 (DCPF) 결과를 사용한다. 평탄한 초기 조건 또는 온기 있는 초기 조건과 비교해 IEEE 118-버스 및 Pegase 2869-버스 시스템에서 해법 시간을 최대 33.56% 감소시키고 반복 횟수를 최대 66.47% 감소시킨다.

ABSTRACT

Obtaining good initial conditions to solve the Newton-Raphson (NR) based ac power flow (ACPF) problem can be a very difficult task. In this paper, we propose a framework to obtain the initial bus voltage magnitude and phase values that decrease the solution iterations and time for the NR based ACPF model, using the dc power flow (DCPF) results and one dimensional convolutional neural networks (1D CNNs). We generate the dataset used to train the 1D CNNs by sampling from a distribution of load demands, and by computing the DCPF and ACPF results for each sample. Experiments on the IEEE 118-bus and extsc{Pegase} 2869-bus study systems show that we can achieve 33.56\% and 30.06\% reduction in solution time, and 66.47% and 49.52% reduction in solution iterations per case, respectively. We include the 1D CNN architectures and the hyperparameters used, which can be expanded on by the future studies on this topic.

연구 동기 및 목표

• 나쁜 초기 전압 조건으로 인한 뉴턴-라프슨 기반의 교류潮流 (ACPF) 해법의 수렴 속도 저하 문제를 해결하기 위해.
• ACPF 수렴에 필요한 반복 횟수와 시간을 줄여 해법 효율성을 향상시키기 위해.
• DCPF 결과와 1D CNN을 활용해 PQ 버스에 대한 정확한 초기 전압 크기 및 위상 예측을 위한 일반화 가능한 프레임워크를 개발하기 위해.
• DCPF 입력에서 ACPF 해법을 근사하는 데 있어 1D CNN이 전통적인 다층퍼셉트론(MLP)보다 우수한 성능을 보임을 입증하기 위해.
• 신경망 기반의 전력류 초기화에 대한 향후 연구를 위해 재사용 가능한 1D CNN 아키텍처와 하이퍼파ram터를 제공하기 위해.

제안 방법

• 프레임워크는 DCPF 결과를 입력으로 사용하고, 해당하는 ACPF 해법을 타겟 타겟으로 삼아 샘플링된 부하 수요 조건에서 1D CNN을 훈련한다.
• 실제 및 무효 부하 수요를 부하 버스에서 샘플링하여 데이터셋을 생성하고, 각 샘플에 대해 DCPF 및 ACPF 결과를 계산한다.
• 1D CNN은 ACPF의 불일치를 최소화하는 전압 크기 및 위상을 예측하여 핫스타트 조건으로 기능한다.
• 훈련된 모델은 새로운 부하 시나리오의 DCPF 결과를 1D CNN을 통해 처리하여 초기 조건을 생성하고, 이를 뉴턴-라프슨 기반의 ACPF 솔버에 사용한다.
• 훈련 데이터를 '온기 있는 초기 조건'(ACPF 해법이 포함된) 및 '핫스타트'(ACPF 해법이 포함되지 않은)로 분리하여 모델을 훈련하고 평가한다.
• 1D CNN 아키텍처는 커널 크기, 스트라이드, 패딩를 가진 컨volution 레이어를 포함하고 있으며, 이후 전결합 레이어를 통해 각 버스의 전압 크기 및 위상 출력을 생성한다.

실험 결과

연구 질문

• RQ1 1D CNN은 평탄한 초기 조건 또는 DCPF 기반의 온기 있는 초기 조건보다 교류潮流에 대해 더 나은 초기 전압 조건을 효과적으로 학습할 수 있는가?
• RQ2 1D CNN은 대규모 및 소규모 전력 시스템에서 ACPF의 뉴턴-라프슨 반복 횟수와 해법 시간을 어느 정도 감소시킬 수 있는가?
• RQ3 DCPF 입력에서 ACPF 해법을 예측할 때 1D CNN의 성능은 다층퍼셉트론(MLP)과 비교해 어떻게 되는가?
• RQ4 제안된 프레임워크는 IEEE 118-버스 및 Pegase 2869-버스 시스템처럼 서로 다른 시스템 구조 및 크기에서 일반화 가능한가?
• RQ5 1D CNN의 훈련 목표에 ACPF 해법 시간과 반복 횟수를 직접 포함시키면 어떤 영향을 미치는가?

주요 결과

• 제안된 1D CNN 기반의 핫스타트 프레임워크는 평탄한 초기 조건과 비교해 IEEE 118-버스 시스템에서 ACPF 해법 시간을 33.56% 감소시켰다.
• Pegase 2869-bus 시스템에서는 동일한 핫스타트 접근 방식을 통해 해법 시간을 30.06% 감소시켰다.
• IEEE 118-버스 시스템에서 뉴턴-라프슨 반복 횟수는 66.47% 감소했고, Pegase 2869-bus 시스템에서는 49.52% 감소했다.
• 1D CNN은 동일한 데이터셋에서 훈련된 다층퍼셉트론(MLP)보다 불일치 오차(Δℒ)가 거의 10배 작았다.
• 프레임워크는 서로 다른 크기와 구조를 가진 시스템 간에 일반화 가능성을 입증했지만, 새로운 네트워크 구성에 대해서는 시스템별 훈련이 필요하다.
• 더 나은 초기 조건을 생성함으로써 사고 분석을 빠르게 수행할 수 있으며, 전이 학습 또는 병렬 훈련을 통해 일회성 훈련 비용을 줄일 수 있다.