[논문 리뷰] Machine Learning for AC Optimal Power Flow

Neel Guha, Zhecheng Wang외 2명|arXiv (Cornell University)|2019. 10. 19.

Electric Power System Optimization참고 문헌 11인용 수 59

한 줄 요약

본 논문은 ACOPF에 대해 두 가지 ML 공식화를 제시한다: 최적 발전기 설정의 엔드투엔드 예측과 해결 속도를 높이기 위한 활성 제약 예측으로, IEEE 30-버스 및 118-버스 그리드에서 평가된다.

ABSTRACT

We explore machine learning methods for AC Optimal Powerflow (ACOPF) - the task of optimizing power generation in a transmission network according while respecting physical and engineering constraints. We present two formulations of ACOPF as a machine learning problem: 1) an end-to-end prediction task where we directly predict the optimal generator settings, and 2) a constraint prediction task where we predict the set of active constraints in the optimal solution. We validate these approaches on two benchmark grids.

연구 동기 및 목표

• 수요 증가와 재생에너지 변동성 증가에 대응해 ACOPF의 실시간 근사 해를 제시하도록 동기를 부여한다.
• ACOPF를 다루기 위한 두 가지 ML 공식화를 탐구한다: 발전기 설정의 엔드투엔드 예측과 워밍스타트를 돕기 위한 활성 제약 예측.
• 벤치마크 그리드 토폴로지에서 ML 기반 ACOPF 해법의 타당성과 신뢰성을 평가한다.

제안 방법

• 고정된 그리드 토폴로지 N 개의 버스, L 개의 가지, G 개의 제어 가능한 발전기로 ACOPF를 형식화한다.
• 엔드투엔드 예측: 부하 분포를 최적 발전기 설정(P^G, V^G)으로 매핑하도록 지도 학습을 사용하여 모델을 학습한다.
• 제약(P^G, Q^G, V, 델타 한계)을 준수하는 합법적 해를 촉진하도록 손실 함수에 소프트 페널티를 도입한다.
• 최적 제약 예측: 최적 해에서 어떤 제약이 활성화되는지 예측하도록 모델을 학습한다(다중 레이블 분류).
• IEEE 기준선을 중심으로 부하 분포를 샘플링하고 Matpower로 OPF를 해결하여 생성된 데이터셋; 90/10 학습-테스트 분할; 케이스 30-버스 및 118-버스.
• 평가 지표는 엔드투엔드의 합법성 비율과 평균 비용 편차를 포함하며; 제약 예측은 정확도로 평가된다.

실험 결과

연구 질문

• RQ1 부하 분포로부터 ACOPF의 최적 발전기 설정을 ML 모델이 정확히 예측할 수 있는가?
• RQ2 ML 모델이 기존 해석기의 워밍스타트를 빠르게 가능하게 하는 활성 제약 집합을 신뢰성 있게 식별할 수 있는가?
• RQ3 표준 IEEE 테스트 그리드에서 ML로 예측된 해의 합법성 비율과 비용 편차는 어느 정도인가?
• RQ4 작은(30-버스)와 큰(118-버스) 그리드 간에 모델 성능의 차이는 무엇인가?

주요 결과

• 엔드투엔드 예측은 합법적 해에 대해 case30에서 0.51, case118에서 0.70의 합법성 비율을 달성하고, 합법적 그리드의 평균 비용 편차는 약 0.002이다.
• 제약 예측은 전체적으로 높은 정확도를 달성하며, case30에서 0.99, case118에서 0.81이다.
• 합법적 그리드에서의 최적 비용 예측은 실제 최적 비용의 약 1% 이내이다.
• 최고의 엔드투엔드 모델은 그리드에 따라 다르다: case30은 제약 손실 없이 2층 tanh 네트워크를 사용했고; case118은 512유닛의 3층 네트워크와 제약 손실 페널티를 사용했다.
• 활성 제약 세트를 학습하는 것이 일반적으로 더 쉽고 해석기 워밍스타트를 알림으로써 속도 향상 가능성을 제공한다.