[논문 리뷰] Probabilistic Power Flow Computation via Low-Rank and Sparse Tensor Recovery

Zheng Zhang, Hung D. Nguyen외 2명|arXiv (Cornell University)|2015. 08. 11.

Tensor decomposition and applications참고 문헌 36인용 수 13

한 줄 요약

이 논문은 고차원 불확실성을 가진 시스템에서 확률적 부하 흐름을 계산하기 위해 최소한의 시뮬레이션 샘플을 사용하는 저질서 및 희소 텐서 복원 방법을 제안한다. 일반화된 다항식 혼합 확장에서의 텐서 구조를 활용하여, 전체 샘플링 대비 최대 9×10²⁰배의 속도 향상을 달성하면서도 높은 정확도를 유지한다. 이는 최대 50개의 랜덤 매개변수를 가진 시스템에서 성립한다.

ABSTRACT

This paper presents a tensor-recovery method to solve probabilistic power flow problems. Our approach generates a high-dimensional and sparse generalized polynomial-chaos expansion that provides useful statistical information. The result can also speed up other essential routines in power systems (e.g., stochastic planning, operations and controls). Instead of simulating a power flow equation at all quadrature points, our approach only simulates an extremely small subset of samples. We suggest a model to exploit the underlying low-rank and sparse structure of high-dimensional simulation data arrays, making our technique applicable to power systems with many random parameters. We also present a numerical method to solve the resulting nonlinear optimization problem. Our algorithm is implemented in MATLAB and is verified by several benchmarks in MATPOWER $5.1$. Accurate results are obtained for power systems with up to $50$ independent random parameters, with a speedup factor up to $9 imes 10^{20}$.

연구 동기 및 목표

• 많은 불확실 매개변수를 가진 시스템에서 확률적 부하 흐름의 계산 부담을 완화하기 위해.
• 불확실성 하에서 전압 및 선로 흐름 분포의 정확한 통계 분석을 가능하게 하기 위해.
• 일반화된 다항식 혼합 확장에서 정확도를 유지하면서도 필요로 하는 부하 흐름 시뮬레이션 수를 줄이기 위해.
• 현대 전력 시스템의 확률적 계획, 운영 및 제어에 적용 가능한 확장 가능한 방법을 개발하기 위해.

제안 방법

• 고차원 시뮬레이션 데이터를 텐서로 표현하여 저질서 및 희소 구조를 활용한다.
• 작은 샘플 점의 부분집합에서 텐서를 복원하기 위한 비선형 최적화 문제를 설정한다.
• 알고리즘은 교대 최소화와 ADMM를 사용하여 최적화 문제를 해결하며, 국소적으로 최적의 해로 수렴함을 보장한다.
• 해결책을 기저 함수의 희소 조합으로 표현하기 위해 일반화된 다항식 혼합(gPC) 확장을 활용한다.
• 텐서 복원과 확률적 보간을 통합하여 전체 해 공간을 효율적으로 근사한다.
• 회복된 gPC 계수로부터 통계적 모멘트와 확률밀도함수를 계산한다.

실험 결과

연구 질문

• RQ1 저질서 및 희소 텐서 복원 기법이 확률적 부하 흐름에 필요한 부하 흐름 시뮬레이션 수를 크게 줄일 수 있는가?
• RQ2 텐서 구조를 활용하여 최소한의 샘플에서 일반화된 다항식 혼합(gPC) 확장을 얼마나 정확하게 복원할 수 있는가?
• RQ3 최대 50개의 랜덤 매개변수를 가진 고차원 불확실성 문제에서 달성 가능한 속도 향상은 얼마인가?
• RQ4 MATPOWER 5.1의 다양한 벤치마크 시스템에서 이 방법은 얼마나 강건한가?
• RQ5 계산 비용을 수십만 배 수준으로 줄여도 정확도를 유지할 수 있는가?

주요 결과

• 모든 테스트 케이스에서 전체 샘플링 대비 최대 9×10²⁰배의 속도 향상을 달성하였다.
• 최대 50개의 독립적인 랜덤 매개변수를 가진 시스템에서 정확한 확률적 부하 흐름 결과를 확보하였다.
• 작은 부분집합의 구분점만을 사용하여도 gPC 계수를 성공적으로 복원하였으며, 통계적 정확도를 유지하였다.
• 교대 최소화와 함께 사용된 대체 승수 방법(ADMM)은 국소 최적성 보장에도 불구하고 실용적인 사례에서 신뢰성 있게 수렴하였다.
• 회복된 gPC 확장을 기반으로 통계적 모멘트와 확률밀도함수를 효율적으로 계산할 수 있었다.
• MATPOWER 5.1의 세 가지 벤치마크에서의 수치적 검증을 통해 이 방법의 강건성과 확장 가능성이 확인되었다.