[논문 리뷰] Multi-Block ADMM for Big Data Optimization in Smart Grid

Lanchao Liu, Zhu Han|arXiv (Cornell University)|2015. 02. 28.

Advanced MIMO Systems Optimization인용 수 9

한 줄 요약

이 논문은 스마트 그리드 응용 분야에서 분산 및 병렬 최적화를 위한 다중 블록 ADMM 알고리즘을 제안하며, 대규모 '빅데이터' 문제에 대한 확장 가능한 해결책을 가능하게 한다. 기존 2블록 설정에서의 ADMM를 N블록 설정으로 확장하여 수학적으로 수렴성을 보장함으로써, 분산 강건 상태 추정, 네트워크 에너지 관리 및 보안 제약이 있는 최적 전력 흐름 문제에 효과적으로 적용됨을 입증한다.

ABSTRACT

In this paper, we review the parallel and distributed optimization algorithms based on alternating direction method of multipliers (ADMM) for solving "big data" optimization problem in smart grid communication networks. We first introduce the canonical formulation of the large-scale optimization problem. Next, we describe the general form of ADMM and then focus on several direct extensions and sophisticated modifications of ADMM from $2$-block to $N$-block settings to deal with the optimization problem. The iterative schemes and convergence properties of each extension/modification are given, and the implementation on large-scale computing facilities is also illustrated. Finally, we numerate several applications in power system for distributed robust state estimation, network energy management and security constrained optimal power flow problem.

연구 동기 및 목표

• 스마트 그라이드 통신 네트워크에서 기존 최적화 알고리즘을 빅데이터 문제에 확장하는 데 도전하는 것.
• 스마트 그라이드에서 흔히 발생하는 대규모, 이질적, 노이즈가 많은 데이터 세트를 처리할 수 있는 분산 및 병렬 최적화 방법을 개발하는 것.
• 기존의 2블록 ADMM 알고리즘을 N블록 설정으로 확장하여 대규모 탈중앙화 최적화를 지원하는 것.
• 실제 스마트 그라이드 응용 분야에서 대규모 컴퓨팅 환경에서의 수렴성과 실용적 구현을 보장하는 것.
• 다중 블록 ADMM가 상태 추정, 에너지 관리 및 최적 전력 흐름과 같은 핵심 스마트 그라이드 문제에 어떻게 적용될 수 있는지 입증하는 것.

제안 방법

• 분리 가능한 볼록 함수와 결합 제약 조건을 갖는 표준 N블록 형태로 대규모 최적화 문제를 수식화한다.
• 교차 방향 승수법(ADMM)을 적용하여 문제를 더 작은 하위 문제로 분해하고 병렬적으로 해결할 수 있도록 한다.
• 변수 분할 기법을 도입하여 변수를 분리하고 여러 에이전트 또는 노드 간의 분산 계산을 가능하게 한다.
• 다중 블록 설정에서 수렴 성질을 향상시키기 위해 가우시안 역대입과 프록시멀 제이코비안 ADMM을 도입한다.
• 증강 라그랑주 함수와 이중 상승 기법을 사용하여 결합 제약 조건을 처리하고 분산 구성 요소 간의 일치를 강제한다.
• 각 에이전트가 국소 변수를 독립적으로 업데이트할 수 있도록 하되, 이중 변수와 일치 제약 조건을 통해 조율할 수 있는 반복적 알고리즘을 설계한다.

실험 결과

연구 질문

• RQ1 ADMM는 어떻게 2블록에서 N블록 설정으로 확장되어 스마트 그라이드의 대규모 최적화 문제를 해결할 수 있는가?
• RQ2 기본 ADMM가 발산할 수 있는 다중 블록 환경에서 수렴성을 보장하기 위해 ADMM에 어떤 수정이 필요한가?
• RQ3 실시간 스마트 그라이드 응용 분야를 위해 다중 블록 ADMM는 대규모 분산 컴퓨팅 인프라에서 어떻게 효율적으로 구현될 수 있는가?
• RQ4 기존 최적화 방법과 비교할 때 다중 블록 ADMM의 실용적 성능 및 수렴 특성은 어떠한가?
• RQ5 다중 블록 ADMM는 어떻게 상태 추정, 에너지 관리 및 최적 전력 흐름과 같은 핵심 스마트 그라이드 문제에 적용될 수 있는가?

주요 결과

• 변수 분할 및 프록시멀 제이코비안 ADMM를 포함한 제안된 다중 블록 ADMM 확장은 N블록 볼록 최적화 문제에 대해 수렴성을 수학적으로 보장한다.
• 가우시안 역대입은 직접적인 확장에서 발생하는 불안정성 문제를 해결하여 다중 블록 ADMM의 수렴 행동을 향상시킨다.
• 이 방법은 분산 및 병렬 계산을 가능하게 하여 수백만 개의 변수를 포함하는 대규모 스마트 그라이드 응용 분야에 적합하다.
• ADMM 기반 최적화를 활용한 분산 강건 상태 추정 응용은 시스템 상태를 성공적으로 복구하고 가짜 데이터 주입 공격을 탐지한다.
• 동적 네트워크 에너지 관리는 ADMM를 통해 탈중앙화 방식으로 해결되며, 현장 마진 가격을 고려한 최적의 전력 및 위상 스케줄링을 도출한다.
• 보안 제약이 있는 최적 전력 흐름(SCOPF) 문제는 다중 블록 ADMM를 통해 효율적으로 해결되며, 최소한의 조정 제약 조건으로 다수의 사고 상황에서도 시스템 보안을 확보한다.