[논문 리뷰] Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow

Ilgiz Murzakhanov, Andreas Venzke외 2명|arXiv (Cornell University)|2020. 03. 17.

Power System Optimization and Stability참고 문헌 37인용 수 8

한 줄 요약

이 논문은 신경망을 활용해 해석이 어려운 동적 안정성 제약 조건(예: 소신호 안정성 및 N-1 안정성)을 혼합정수선형계획문(MILP)에 통합하는 새로운 프레임워크를 제안한다. 이를 통해 비선형·비볼록 제약 조건을 포함한 AC 최적계전력흐름(AC-OPF) 문제에 대해 효율적이고 비용 최적화된 해를 도출할 수 있다. 훈련된 신경망의 정확한 혼합정수재구성 기법을 활용함으로써, 비볼록이고 동적 제약 조건이 있는 최적화 문제를 확장 가능한 MILP로 변환하였으며, 보수적인 예측 임계값을 사용할 경우 비용 증가율이 0.033%에 불과하지만 100%의 타당해를 달성하였다.

ABSTRACT

This paper introduces a framework to capture previously intractable optimization constraints and transform them to a mixed-integer linear program, through the use of neural networks. We encode the feasible space of optimization problems characterized by both tractable and intractable constraints, e.g. differential equations, to a neural network. Leveraging an exact mixed-integer reformulation of neural networks, we solve mixed-integer linear programs that accurately approximate solutions to the originally intractable non-linear optimization problem. We apply our methods to the AC optimal power flow problem (AC-OPF), where directly including dynamic security constraints renders the AC-OPF intractable. Our proposed approach has the potential to be significantly more scalable than traditional approaches. We demonstrate our approach for power system operation considering N-1 security and small-signal stability, showing how it can efficiently obtain cost-optimal solutions which at the same time satisfy both static and dynamic security constraints.

연구 동기 및 목표

• AC 최적계전력흐름(AC-OPF) 문제에 소신호 안정성 및 N-1 안정성과 같은 해석이 어려운 동적 안정성 제약 조건을 직접 통합하는 데 어려움을 해결하기 위해.
• 미분방정식 등 해석이 어려운 제약 조건을 신경망을 통해 혼합정수선형 제약 조건으로 변환하는 일반화 가능한 프레임워크를 개발하기 위해.
• 정적 및 동적 안정성 기준을 모두 충족하는 비용 최적화된 전력 시스템 운영을 가능하게 하여 반복적 또는 근사 기반 방법의 한계를 극복하기 위해.
• 실제 전력 시스템 모델(예: IEEE 14-bus 시스템)에 대해 다양한 안정성 기준 하에서 접근의 확장성과 타당성을 입증하기 위해.

제안 방법

• 전력 시스템 동역학에서 유도되는 미분방정식과 같은 해석이 어려운 제약 조건을 포함한 최적화 문제의 타당 영역을 인코딩하기 위해 신경망을 훈련한다.
• 훈련된 신경망에 대한 정확한 혼합정수선형 재구성 기법을 적용하여 비선형·비볼록 제약 조건을 이진 변수를 포함한 선형 제약 조건 집합으로 변환한다.
• 재구성된 신경망 제약 조건을 혼합정수선형계획문(MILP)에 통합하여 동적 안정성 제약 조건을 포함한 AC-OPF 문제를 해결한다.
• 등식 제약 조건을 처리하기 위해 손실 함수의 반복적 근사 기법을 사용하며, 패널티 파라미터 ρ=1%를 설정하여 평균 7회 이내에 수렴함을 보였다.
• 신경망의 경계 예측의 보수성은 하이퍼파rameter ε를 조절함으로써 균형을 이끌 수 있으며, ε=8일 때 100%의 타당해를 달성하면서 비용 증가율이 0.033%에 불과하다.
• 훈련을 위해 최적의 AC-OPF 해의 데이터셋을 활용하며, 향후 연구에서는 그래프 신경망을 활용해 다양한 전력 시스템 간에 강건한 재훈련 및 일반화 능력을 향상시키고자 한다.

실험 결과

연구 질문

• RQ1 신경망을 사용하여 소신호 안정성 및 N-1 고장 기준과 같은 해석이 어려운 동적 안정성 제약 조건을 혼합정수선형계획문(MILP)에 적합한 형태로 인코딩할 수 있는가?
• RQ2 미분방정식 및 기타 비볼록 제약 조건으로 정의된 타당 영역을 신경망을 통해 정확하게 근사하고 선형 제약 조건으로 변환할 수 있는가?
• RQ3 신경망의 예측 경계 보수성(ε로 제어)과 AC-OPF 해의 비용 증가율 사이의 상호 교환 관계는 어떠한가?
• RQ4 기존의 반복적 또는 비선형계획법 기반 접근 방식에 비해 제안된 방법은 동적 안정성 제약 조건이 있는 AC-OPF 문제의 확장성과 타당성 측면에서 어느 정도 향상되었는가?

주요 결과

• ε=8일 때 제안된 방법은 타당해율 100%를 달성하였으며, ε=7일 때 84.0%에서 증가하였고, 비용 증가율은 0.033%에 그쳤다.
• ρ=1%로 설정한 반복적 손실 근사 기법은 평균 7회 이내에 수렴하여 등식 제약 조건을 효율적으로 처리함을 입증하였다.
• N-1 안정성 조건을 포함할 경우 평균 비용이 5.7% 증가하였고, 소신호 안정성 조건을 추가로 통합하면 비용이 추가로 15.6% 증가하여 동적 안정성의 실제 비용을 반영하였다.
• 시스템 크기 및 고장 수에 관계없이 확장 가능하며, MILP의 복잡도는 전력 시스템 규모에 따라 변하지 않고 고정된 신경망 크기에만 의존한다.
• 이 방법은 동적 안정성 제약 조건을 AC-OPF 설정에 정확한 혼합정수재구성 기법을 통해 통합한 최초의 사례로, 정확한 MILP 기반 최적화를 가능하게 하였다.