[논문 리뷰] Unsupervised Optimal Power Flow Using Graph Neural Networks

Damian Owerko, Fernando Gama외 1명|arXiv (Cornell University)|2022. 10. 17.

Optimal Power Flow Distribution인용 수 7

한 줄 요약

이 논문은 전력 수요에서 발전기 출력으로의 매핑을 학습하면서도 유전적 그리드 제약 조건을 미분 가능한 로그-바리에이션 페널티를 통해 강제하는 비지도 그래프 신경망(GNN) 기반 최적 전력 흐름(OPF) 방법을 제안한다. 이 방법은 낮은 제약 위반과 함께 최적에 가까운 비용을 달성하며, 유한 전류 또는 전력 비율 제한이 있는 시나리오에서 기존의 해법보다 뛰어난 성능을 보였다.

ABSTRACT

Optimal power flow (OPF) is a critical optimization problem that allocates power to the generators in order to satisfy the demand at a minimum cost. Solving this problem exactly is computationally infeasible in the general case. In this work, we propose to leverage graph signal processing and machine learning. More specifically, we use a graph neural network to learn a nonlinear parametrization between the power demanded and the corresponding allocation. We learn the solution in an unsupervised manner, minimizing the cost directly. In order to take into account the electrical constraints of the grid, we propose a novel barrier method that is differentiable and works on initially infeasible points. We show through simulations that the use of GNNs in this unsupervised learning context leads to solutions comparable to standard solvers while being computationally efficient and avoiding constraint violations most of the time.

연구 동기 및 목표

• 대규모 비볼록 전력망에서 정확한 최적 전력 흐름(OPF)의 계산 불가능성 문제를 해결한다.
• 내부점 방법과 같은 전통적 해법의 한계를 극복한다. 이는 느린 속도와 확장성 부족을 포함한다.
• 라벨이 없는 데이터를 요구하지 않으면서도 물리적 전력망 제약 조건을 준수하는 기계학습 접근법을 개발한다.
• 그래프 신호 처리와 GNN을 활용하여 전력망의 구조적 특성을 이용해 확장 가능하고 분산형 솔루션을 도출한다.
• 비지도 학습 동안 제약 조건을 강제하기 위한 새로운 미분 가능한 바리에이션 방법을 도입한다.

제안 방법

• 버스 전력 주입에서 발전기 출력으로의 매핑을 파arameter화하기 위해 그래프 신경망(GNN)을 사용한다.
• 총 발전 비용을 직접 최소화하는 방식으로 OPF 문제를 비지도 학습 문제로 재구성한다.
• 전압, 발전기, 선로 흐름 제약 조건을 강제하기 위해 로그-바리에이션 방법에 기반한 미분 가능한 조각별 페널티 함수를 도입한다.
• 손실 함수에 비용 최소화와 제약 위반 페널티를 조합하여 그래디언트 기반 최적화로 GNN을 훈련시킨다.
• 전력망의 희박한 구조를 활용하여 GNN을 분산형으로, 구조 인식 방식으로 적용한다.
• 비용 또는 위반 비율 외에도 상대 위반 오차와 제약 위반 분포를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GNN은 최적 해가 라벨링된 데이터가 없는 비지도 방식으로 OPF 문제를 해결할 수 있는가?
• RQ2 종단 간 학습 중에 물리적 제약 조건을 강제하는 데 있어, 미분 가능한 로그-바리에이션 페널티의 효과는 어떠한가?
• RQ3 GNN은 라디얼 네트워크와 메쉬 네트워크와 같은 다양한 전력망 구조에 얼마나 잘 일반화되는가?
• RQ4 전류 또는 전력 비율 제한이 유한한 경우, 제약 위반은 시스템 크기와 네트워크 구조에 따라 어떻게 증가하는가?
• RQ5 기존의 해법과 비교해 볼 때, GNN 기반 모델은 근접 최적의 비용을 달성하면서도 낮은 제약 위반 비율을 유지할 수 있는가?

주요 결과

• IEEE-118 데이터셋에서 GNN은 평균 비용 903.96달러를 기록했으며, 이는 IPOPT 솔버의 836.10달러보다 8.12% 높은 수준으로, 최첨단 내부점 방법 대비 뛰어난 성능을 보였다.
• IEEE-118 테스트 샘플의 82.5%에서 제약 위반이 발생했지만, 전압 크기의 최대 상대 위반은 25.28%, 발전기 제한의 경우 17.20%였으며, 대부분의 위반은 분포의 하단 꼬리 부분에 집중되어 있었다.
• 전류 또는 전력 비율 제한이 유한한 시나리오에서는 GNN이 IPOPT를 능가하는 성능를 보였으며, 이는 전송 제약 조건이 있는 실세계 시스템에 더 적합함을 시사한다.
• 희박하고 국소적으로 구조화된 그리드에서 모델는 더 나은 확장성과 타당성을 보였으며, 특히 국소성과 유한 제약 조건이라는 핵심 가정이 충족될 경우에 더욱 뛰어났다.
• 제안된 평가 지표인 상대 위반 오차는 제약 위반이 균일하게 분포되어 있지 않으며, 빈도보다는 심각도의 중요성을 드러냈다.
• IEEE-30 시스템에서의 하이퍼파ram터 튜닝은 IEEE-118에서의 성능을 열등하게 만들었으며, 이는 시스템 크기 간 일반화를 위해서는 아키텍처나 데이터 기반 적응이 추가로 필요함을 시사한다.