[논문 리뷰] Towards Distributed Energy Services: Decentralizing Optimal Power Flow with Machine Learning

Roel Dobbe, Oscar Sondermeijer외 4명|arXiv (Cornell University)|2018. 06. 14.

Optimal Power Flow Distribution인용 수 8

한 줄 요약

이 논문은 지역 측정값만을 사용하여 중심 집중식 최적 전력 흐름(OPF) 해법을 모방하는 국부적 제어 정책을 학습할 수 있도록 해주는 데이터 기반, 탈중앙화된 기계학습 프레임워크를 제안한다. 비용-왜곡(rate distortion) 프레임워크를 활용하여, 재구성 오차를 최소화하는 최적의 통신 링크를 식별함으로써, 중심 집중식 조율이나 광범위한 통신 인프라 없이도 거의 최적의 시스템 성능을 달성한다.

ABSTRACT

The implementation of optimal power flow (OPF) methods to perform voltage and power flow regulation in electric networks is generally believed to require extensive communication. We consider distribution systems with multiple controllable Distributed Energy Resources (DERs) and present a data-driven approach to learn control policies for each DER to reconstruct and mimic the solution to a centralized OPF problem from solely locally available information. Collectively, all local controllers closely match the centralized OPF solution, providing near optimal performance and satisfaction of system constraints. A rate distortion framework enables the analysis of how well the resulting fully decentralized control policies are able to reconstruct the OPF solution. The methodology provides a natural extension to decide what nodes a DER should communicate with to improve the reconstruction of its individual policy. The method is applied on both single- and three-phase test feeder networks using data from real loads and distributed generators, focusing on DERs that do not exhibit inter-temporal dependencies. It provides a framework for Distribution System Operators to efficiently plan and operate the contributions of DERs to achieve Distributed Energy Services in distribution networks.

연구 동기 및 목표

• 중앙 집중식 조율이나 광범위한 통신 인프라 없이도 분포 전력망에 최적 전력 흐름(OPF)을 구현하는 데 도전하는 것.
• 각 DER이 국부적 정책을 학습함으로써 공동으로 중심 집중식 OPF 해법의 성능을 재현할 수 있는 탈중앙화된 제어 프레임워크를 개발하는 것.
• 정보 이론을 활용하여 어느 DER들이 통신하여 제어 정책 재구성 정확도를 향상시켜야 하는지 지도하는 것.
• 비용이 많이 드는 통신 인프라가 필요 없도록 하여 실용적이고 확장 가능한 분산 에너지 서비스(DES)의 구현을 가능하게 하는 것.
• 네트워크 변화(예: 새로운 부하 또는 DER)에 대응하여 컨트롤러를 점진적으로 업데이트할 수 있는 프레임워크를 제공하는 것.

제안 방법

• 역사적 OPF 해법을 레이블로 사용하여, 각 DER에서 지역 외부 변수(예: 부하, 발전, 전압)를 입력으로 사용하는 지도 학습 기반 기계학습 모델을 훈련한다.
• 비용-왜곡 프레임워크를 사용하여 중심 집중식 OPF 해법을 모방할 때의 통신 비용과 재구성 오차 간의 트레이드오프를 정량화한다.
• 최적의 제어 신호와 이용 가능한 지역 변수 간의 상호정보량을 최대화함으로써 각 DER에 대한 최적의 통신 파artner를 식별한다.
• 비선형 관계를 포착하기 위해 다항식 및 상호작용 항을 포함한 회귀 문제로 제어 정책 학습을 공식화한다.
• 실제 부하 및 발전 데이터를 사용하여 단상 및 삼상 불균형 분포 피더에 대해 이 방법을 적용한다.
• 새로운 부하 또는 DER과 같은 네트워크 변화에 대응하기 위해 증강된 역사를 활용한 점진적 재훈련을 적용한다.

실험 결과

연구 질문

• RQ1 탈중앙화된 DER 컨트롤러들이 지역 정보만을 사용하여 중심 집중식 OPF 해법의 성능을 공동으로 재현할 수 있는가?
• RQ2 통신 비용을 줄이면서 재구성 오차를 최소화하기 위해 DER 간의 통신을 어떻게 전략적으로 선택할 수 있는가?
• RQ3 지역 데이터만을 사용할 때 탈중앙화된 정책이 중심 집중식 OPF 해법을 얼마나 잘 재구성할 수 있는가에 대한 이론적 한계는 무엇인가?
• RQ4 컨트롤러 파ameter와 행동은 네트워크 토폴로지, 위치 및 부하 조건에 따라 어떻게 달라지는가?
• RQ5 변경되는 네트워크 조건 하에서도 성능을 유지하기 위해 이 프레임워크를 점진적으로 업데이트할 수 있는가?

주요 결과

• 탈중앙화된 기계학습 접근법은 단상 및 삼상 분포 피더 양쪽 모두에서 거의 최적의 성능을 달성하며, 손실 최소화 및 전압 조절 측면에서 중심 집중식 OPF 해법과 매우 유사한 성능을 보였다.
• 비용-왜곡 프레임워크는 재구성 오차에 대한 이론적 하한을 제공하며, DER 간 최적의 통신 링크 식별을 가능하게 하였다.
• 변환기 B는 변환기 A와 달리 변전소 근처에 위치해 있어 고위상 전력 흐름으로 인해 OPF 해법에서 최대 용량으로 작동한다. 반면, 피더 끝단에 위치한 변환기 A는 지역 및 상류 손실을 줄이기 위해 무효전력을 제공한다.
• 회귀 계수 분석 결과, 변환기 A의 제어 정책은 자신의 전력 주입과 전압 크기에 크게 의존하는 반면, 변환기 B의 정책은 자신의 변수와 이웃 노드 변수에 의해 강하게 영향을 받는다.
• 이 방법은 히우리스틱 또는 한정된 규칙 기반 접근법에 의존하지 않고, 네트워크 특성에 자연스럽게 적응하는 효과적인 컨트롤러 설계를 가능하게 하였다.
• 증강된 역사를 활용한 점진적 재훈련을 통해, 전체 재훈련을 다시 시작하지 않고도 새로운 부하 또는 DER과 같은 네트워크 변화에 대응할 수 있었다.