[논문 리뷰] Smart-PGSim: Using Neural Network to Accelerate AC-OPF Power Grid Simulation

Wenqian Dong, Zhen Xie외 2명|arXiv (Cornell University)|2020. 08. 26.

Optimal Power Flow Distribution참고 문헌 47인용 수 9

한 줄 요약

이 논문은 고품질의 초기 해를 예측하는 다중작업 신경망 프레임워크인 Smart-PGSim을 제안한다. 이는 AC-최적력률분배(AC-OPF) 시뮬레이션에 대해 물리기반 제약 조건을 통합하고, 이러한 예측값을 온전한 시작값으로 사용함으로써 해수렴 속도를 평균 2.60배(최대 3.28배)로 가속화한다. 이는 해의 최적성에 영향을 주지 않고 이루어진다.

ABSTRACT

The optimal power flow (OPF) problem is one of the most important optimization problems for the operation of the power grid. It calculates the optimum scheduling of the committed generation units. In this paper, we develop a neural network approach to the problem of accelerating the current optimal power flow (AC-OPF) by generating an intelligent initial solution. The high quality of the initial solution and guidance of other outputs generated by the neural network enables faster convergence to the solution without losing optimality of final solution as computed by traditional methods. Smart-PGSim generates a novel multitask-learning neural network model to accelerate the AC-OPF simulation. Smart-PGSim also imposes the physical constraints of the simulation on the neural network automatically. Smart-PGSim brings an average of 49.2% performance improvement (up to 91%), computed over 10,000 problem simulations, with respect to the original AC-OPF implementation, without losing the optimality of the final solution.

연구 동기 및 목표

• 실시간 AC-OPF 전력망 시뮬레이션에서 발생하는 높은 계산 지연 문제를 해결한다.
• 기존의 머신러닝 접근 방식이 솔버를 대체하거나 최적성을 희생시키는 한계를 극복한다.
• 해의 정확성이나 타당성을 훼손하지 않으면서도 시뮬레이션 속도를 향상시키는 방법을 개발한다.
• 도메인 특화된 물리적 제약 조건을 신경망에 통합하여 강건성과 수렴성을 향상시킨다.
• 실시간 운영 요구 조건에서 대규모 전력망에 대해 효율적이고 고정밀도의 시뮬레이션을 가능하게 한다.

제안 방법

• 다양한 핵심 변수(예: 전압 크기, 위상, 유공/무공력)를 동시에 예측할 수 있는 다중작업 학습(MTL) 신경망을 설계한다.
• 전력 균형 및 전력 흐름 방정식과 같은 물리기반 제약 조건을 소프트 또는 하드 제약 조건으로 MTL 모델에 통합하여 물리적 타당성을 확보한다.
• 예측된 초기 해를 AC-OPF 수치 해소기에 온전한 시작값으로 사용하여 수렴까지의 반복 수를 줄인다.
• 다양한 네트워크 구조와 부하 조건에 걸쳐 일반화할 수 있도록 10,000개의 다양한 전력망 문제 사례를 기반으로 모델을 훈련시킨다.
• 개별 변수별로 맞춤형 출력 레이어를 설계하고, 작업 간 정보 공유를 위한 공통 특징 추출을 통해 모델 아키텍처를 최적화한다.
• 실제 전력망 사례를 사용하여 방법을 검증하고, 최첨단 해소기들과의 수렴 속도 및 해 품질을 비교한다.

실험 결과

연구 질문

• RQ1 다중작업 신경망이 AC-OPF에 대해 고품질의 초기 해를 효과적으로 예측하여 수렴 속도를 크게 향상시킬 수 있는가?
• RQ2 신경망 아키텍처에 통합된 물리기반 제약 조건이 예측된 초기 해의 강건성과 정확성에 어떤 영향을 미치는가?
• RQ3 특정 변수를 네트워크 출력으로 선택할 경우 시뮬레이션 수렴 및 실행 시간에 어떤 영향을 미치는가?
• RQ4 예측된 초기 해를 온전한 시작값으로 사용할 경우 해의 최적성이 유지되면서도 시뮬레이션 시간이 단축되는가?
• RQ5 제안된 방법이 실패율 증가 없이 다양한 전력망 구성에서 일관된 속도 향상을 달성할 수 있는가?

주요 결과

• Smart-PGSim은 10,000개의 AC-OPF 문제에서 평균 2.60배의 속도 향상을 달성했으며, 최대 속도 향상은 3.28배였다.
• 모든 결과가 타당하고 모든 물리적 및 운영 제약 조건을 충족함으로써 해의 최적성이 유지되었다.
• MTL 모델에 물리적 제약 조건을 통합함으로써 수렴 강건성이 크게 향상되었고, 실패한 시뮬레이션 수가 감소했다.
• 시뮬레이션에서의 스텝 크기 및 수렴 조건 행동 분석 결과, 양호한 초기 해는 빠르고 안정적인 수렴을 이끌었고, 열악한 초기 해는 불안정성과 발산을 유도했다.
• 수렴 실패로 인해 재초기화가 필요할 경우에도, 초기 예측의 높은 품질 덕분에 Smart-PGSim의 전체 성능은 최첨단 방법을 능가했다.
• 민감도 분석 결과, 전압 크기 및 전력 주입과 같은 핵심 변수를 예측하는 것이 해소 반복 수를 줄이고 수렴 속도를 향상시키는 데 강력한 영향을 미친다.