[논문 리뷰] Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow to Mixed-Integer Linear Programs.

Andreas Venzke, Daniel Timon Viola외 3명|arXiv (Cornell University)|2020. 03. 17.

Power System Optimization and Stability참고 문헌 17인용 수 12

한 줄 요약

이 논문은 전력 시스템 안정성에서 유도되는 미분방정식과 같은 동적 보안 제약 조건을 혼합정수선형계획문(MILPs)에 통합하는 신경망 기반 프레임워크를 제안한다. 이는 기존에 해결하기 어려운 교류 최적 전력 흐름(AC-OPF) 문제에 대해 확장 가능하고 비용 최적의 해를 도출할 수 있도록 한다. 정확한 혼합정수 재구성 방식을 활용하여, 정적 및 동적 보안 제약 조건(예: N-1 및 소신호 안정성)을 만족하는 해를 정확하게 근사한다.

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

• 교류 최적 전력 흐름(AC-OPF) 문제에 동적 보안 제약 조건(예: 미분방정식)을 통합할 경우 발생하는 해결 불가능성 문제를 해결하기 위해.
• 비볼록성 및 비선형 제약 조건으로 인해 기존 방법이 어려움을 겪는 전력 시스템 최적화 문제에 대해 확장 가능한 대안을 개발하기 위해.
• 비용 최적의 전력 시스템 운영을 가능하게 하되, 정적 및 동적 보안 제약 조건을 엄격히 충족시키기 위해.
• 비선형이고 동적인 시스템 모델과 계산적으로 다룰 수 있는 혼합정수선형계획문(MILP) 공식화 간 격차를 메우기 위해.

제안 방법

• 해결 가능하고 해결 불가능한 제약 조건(예: 미분방정식)을 모두 포함하는 최적화 문제의 타당 영역이 신경망에 인코딩된다.
• 신경망의 정확한 혼합정수 재구성 방식이 적용되어 문제를 혼합정수선형계획문(MILP)으로 변환한다.
• 신경망은 소신호 안정성 및 N-1 정전 사고 기준과 같은 동적 제약 조건의 해 영역을 근사하도록 훈련된다.
• 결과적으로 도출된 MILP 공식화는 내장된 동적 보안 제약 조건을 포함한 원래의 비선형·비볼록 AC-OPF 문제를 효율적으로 해결할 수 있게 한다.
• 이 방법은 복잡한 비선형 시스템 역학을 모델링할 수 있는 신경망의 표현 능력을 활용하면서도, MILP 솔버의 계산적 타당성을 유지한다.

실험 결과

연구 질문

• RQ1 복잡하고 해결하기 어려운 동적 제약 조건을 신경망을 사용해 혼합정수선형계획문과 호환되는 형태로 인코딩할 수 있는가?
• RQ2 신경망이 전력 시스템 보안 제약 조건에서 유도된 미분방정식에 의해 정의되는 타당 영역을 얼마나 정확하게 근사할 수 있는가?
• RQ3 제안된 MILP 재구성 방식은 직접적인 비선형 AC-OPF 접근 방식에 비해 해의 품질과 최적성 유지 정도가 어느 정도인가?
• RQ4 이 프레임워크는 정적 및 동적 보안 제약 조건을 모두 충족하면서 대규모 전력 시스템에 대해 확장 가능한가?

주요 결과

• 제안된 방법은 기존에 계산적으로 해결하기 어려운 동적 보안 제약 조건을 내장한 AC-OPF 문제의 해를 가능하게 한다.
• 신경망 기반의 인코딩 방식은 소신호 안정성 및 N-1 기준과 같은 동적 제약 조건이 정의하는 타당 영역을 정확하게 포착한다.
• 정확한 혼합정수 재구성은 MILP 해가 원래의 비선형 문제의 진정한 최적 해에 매우 가까이 근사되도록 보장한다.
• 이 프레임워크는 전력 시스템 운영에서 기존의 비선형 최적화 접근 방식에 비해 뚜렷한 확장성 우위를 보인다.