[논문 리뷰] Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings

Henning Lange, Bingqing Chen외 2명|arXiv (Cornell University)|2020. 12. 16.

Power System Optimization and Stability참고 문헌 31인용 수 7

한 줄 요약

이 논문은 유연한 임베딩된 부하 흐름(HELM) 해법기를 통해 역전파를 이용해 AC 최적 부하 흐름(AC-OPF)을 학습하는 가역적 신경망 프레임워크를 제안한다. 이는 비선형 부하 흐름 방정식을 존중하면서도 물리적 타당성을 보장한다. 기존 해법기 대비 12배 빠른 추론 속도와 40% 높은 강건성을 달성했으며, 200bus 시스템에서 99.86%의 경우에 타당해진 해를 생성한다.

ABSTRACT

Alternating current optimal power flow (AC-OPF) is one of the fundamental problems in power systems operation. AC-OPF is traditionally cast as a constrained optimization problem that seeks optimal generation set points whilst fulfilling a set of non-linear equality constraints -- the power flow equations. With increasing penetration of renewable generation, grid operators need to solve larger problems at shorter intervals. This motivates the research interest in learning OPF solutions with neural networks, which have fast inference time and is potentially scalable to large networks. The main difficulty in solving the AC-OPF problem lies in dealing with this equality constraint that has spurious roots, i.e. there are assignments of voltages that fulfill the power flow equations that however are not physically realizable. This property renders any method relying on projected-gradients brittle because these non-physical roots can act as attractors. In this paper, we show efficient strategies that circumvent this problem by differentiating through the operations of a power flow solver that embeds the power flow equations into a holomorphic function. The resulting learning-based approach is validated experimentally on a 200-bus system and we show that, after training, the learned agent produces optimized power flow solutions reliably and fast. Specifically, we report a 12x increase in speed and a 40% increase in robustness compared to a traditional solver. To the best of our knowledge, this approach constitutes the first learning-based approach that successfully respects the full non-linear AC-OPF equations.

연구 동기 및 목표

• 재생 가능 에너지 통합 증가로 인해 증가하는 대규모 및 시간 민감도가 높은 AC-OPF 문제 해결에 도전한다.
• 비선형 부하 흐름 방정식에서 발생하는 유사근으로 인해 기존 해법기가 취약해지는 문제를 극복한다.
• 빠르고 확장 가능한 추론을 가능하게 하면서도 전체 비선형 AC-OPF 제약 조건을 존중하는 학습 기반 접근법을 개발한다.
• 등식 제약 조건(부하 흐름)과 부등식 제약 조건(전압, 단위 가동)을 모두 존중하는 종단 간 신경 정책 학습을 가능하게 한다.

제안 방법

• 신경망 내의 가역적 계산 레이어로 유연한 임베딩된 부하 흐름(HELM) 해법기를 사용한다.
• HELM 해법기를 통해 기울기를 역전파하여 시스템 수요에서 최적의 발전 배분으로 매핑하는 신경 정책 네트워크를 훈련시킨다.
• 라그랑주 승수 기반의 최적화를 통해 볼록 제약 조건(예: 전압 크기 제한)과 비볼록 제약 조건(예: 단위 가동)을 강제하는 이중 변수 네트워크를 통합한다.
• 기울기 기반 학습을 통해 전체 라그랑주 함수를 종단 간 최적화하여 추론 중 제약 조건 이행을 보장한다.
• 해결 수렴 안정성 향상과 유사근 방지를 위해 해석적 임bedding 기법을 활용한다.
• 비용 최소화와 부하 흐름 타당성의 조합을 통해 훈련하며, 수열 계수 기반 손실 함수를 활용해 수렴을 이끌어낸다.

실험 결과

연구 질문

• RQ1 가역적 부하 흐름 해법기를 사용하여 신경망이 전체 비선형 부하 흐름 방정식을 존중하면서 AC-OPF를 해결하도록 훈련시킬 수 있는가?
• RQ2 제안된 방법이 MATPOWER의 MIPS와 같은 기존 내부점 해법기보다 더 높은 강건성과 더 빠른 추론 속도를 달성할 수 있는가?
• RQ3 다양한 부하 조건에서 학습된 정책이 물리적 타당성을 유지하면서 얼마나 잘 일반화되는가?
• RQ4 이중 가역적 프레임워크 내에서 볼록 제약 조건(예: 전압 제한)과 비볼록 제약 조건(예: 단위 가동)을 얼마나 잘 강제할 수 있는가?
• RQ5 높은 타당성에도 불구하고 학습된 정책이 최적 비용 해를 도출하지 못하는 이유는 무엇이며, 이러한 최적성 갭을 보완할 수 있는가?

주요 결과

• 제안된 방법은 기존의 MATPOWER 혼합정수계획법 해법기(MIPS) 대비 추론 시간에서 12배 빠른 성능을 달성한다.
• 해법기의 강건성은 99.86%로, 6,000개 테스트 케이스 중 5,992개에서 타당해진 해를 생성했으며, MIPS 해법기의 61%에 비해 높다.
• 학습된 신경 정책는 비선형 AC 부하 흐름 방정식을 신뢰성 있게 만족시키며, 기존의 프로젝션 기반 기울기 방법에서 흔히 발생하는 유사근 문제를 피한다.
• 높은 타당성에도 불구하고 학습된 해의 평균 발전 비용은 MIPS 해법기가 찾은 최적 해보다 약 29% 높다.
• 가역적 이중 변수 네트워크를 통해 볼록 제약 조건(전압 크기)과 비볼록 제약 조건(단위 가동)을 모두 성공적으로 강제한다.
• 훈련 과정에서 일시적인 실패가 발생하며, 이는 비용 최소화와 수렴 영역 안정성 간의 상충 관계로 인해 발생할 가능성이 있다.