[論文レビュー] A K-Nearest Neighbor Heuristic for Real-Time DC Optimal Transmission Switching

Emma Savannah Johnson, Shabbir Ahmed+2 more|arXiv (Cornell University)|Mar 23, 2020

Vehicle Routing Optimization Methods被引用数 7

ひとこと要約

本稿では、過去の解を活用して類似した負荷およびコストプロファイルを持つ状態を特定し、その中から最良のトポロジーを選択することで、リアルタイムDC最適送電線スイッチング（DCOTS）のためのk近傍法（KNN）ヒューリスティクスを提案する。この手法は、既存のヒューリスティクスや商業用ソルバーよりも高速に高品質な解を達成し、3,375バス系のような大規模ネットワークへのスケーリングもリアルタイム制約内で効率的に行える。

ABSTRACT

While transmission switching is known to reduce power generation costs, the difficulty of solving even DC optimal transmission switching (DCOTS) has prevented optimal transmission switching from becoming commonplace in real-time power systems operation. In this paper, we present a k-nearest neighbors (KNN) heuristic for DCOTS which relies on the insight that, for routine operations on a fixed network, the DCOTS solutions for similar load profiles and generation cost profiles will likely turn off similar sets of lines. We take a data-driven approach and assume that we have DCOTS solutions for many historical instances, which is realistic given that the problem is solved every 5 minutes in practice. Given a new instance, we find a set of "close" instances from the past and return the best of their solutions for the new instance. We present a case study on 7 test networks ranging in size from 118 to 3,375 buses. We compare the proposed heuristic to DCOTS heuristics from the literature, commercial solver heuristics, and a simple greedy local search algorithm. In most cases, we find better quality solutions in less computational time. In addition, the computational time is within the limits imposed by real-time operations, even on larger networks. Last, we present an empirical study of our training data to understand why the heuristic works well.

研究の動機と目的

• DCOTSがNP困難であることに加え、電力系統における5分間の運用ウィンドウを考慮して、リアルタイムでの解法を実現すること。
• 過去のDCOTS解を活用するスケーラブルでデータ駆動型のヒューリスティクスを構築し、類似したシステム状態に対する意思決定を高速化すること。
• 既存のMIPベースのヒューリスティクスや商業用ソルバーよりも、リアルタイム運用における解の品質と計算効率を向上させること。
• 多様なテストネットワーク上でヒューリスティクスを実証的に検証し、効果的な送電線スイッチングを支配する背後パターンを解明すること。

提案手法

• KNNヒューリスティクスは、ネット需要に基づく距離尺度を用いて、現在のインスタンスと類似した負荷および発電コストプロファイルを持つ『k』個の歴史的インスタンスを同定する。
• k番目の近傍の各々に対して、歴史的データから対応する最適または近似最適な送電線スイッチング解を取得する。
• k個の近傍のうち、発電コストが最小の解を、現在のインスタンスに対するヒューリスティクスの出力として選択する。
• 本手法は、負荷およびコストプロファイルの観点から類似したシステム状態が、類似した最適スイッチングトポロジーをもたらすと仮定しており、日常運用における時間的相関を活用する。
• 本手法は、定期的な5分間ディスpatchサイクルから収集した歴史的DCOTS解を学習データとして用いるため、リアルタイム導入に実用的である。
• 距離計算はネット需要ベクトルに基づき、次元削減を適用した場合としない場合の両方で評価し、ロバストネスと効率性を検証する。

実験結果

リサーチクエスチョン

• RQ1 類似したシステム状態からの歴史的データを活用することで、データ駆動型KNNヒューリスティクスが高品質なDCOTS解を効果的に近似可能か？
• RQ2 リアルタイム環境下で、既存のMIPベースのヒューリスティクスや商業用ソルバーヒューリスティクスと比較して、KNNヒューリスティクスの解の品質と計算時間はどの程度か？
• RQ3 KNNアプローチは、特に3,375バスネットワークのような大規模システムにおいて、ネットワークサイズの増大に対して効率的にスケーリング可能か？
• RQ4 システム状態のどの特徴（例：負荷およびコストプロファイル）が最適送電線スイッチングトポロジーを最も予測可能か？
• RQ5 需要ベクトルの次元削減は、計算オーバーヘッドを削減しつつ解の品質を保持できるか？

主な発見

• KNNヒューリスティクスは、3,375バスネットワークも含む全7つのテストシステムにおいて、文献に登録されたヒューリスティクスおよび商業用ソルバーヒューリスティクスを常に上回る解の品質を達成した。
• 他の手法よりも計算時間も短く、5分間のリアルタイム運用ウィンドウ内に収まる実行時間であった。
• KNNヒューリスティクスはネットワークサイズに強く依存せず、送電線数の増加に対して弱い依存性を示し、大規模システムに適していることがわかった。
• ネット需要の次元削減表現を用いても、解の品質は高い水準を維持しており、特にスイッチング基数が高くなるとばらつきがわずかに減少した。
• 実証的分析から、最適解では通常、少数の送電線のみがスイッチングされていることが判明し、個々の母線の挙動よりも、全体の潮流パターンが最適トポロジーの主な決定要因であることが明らかになった。
• 結果から、送電線スイッチング意思決定は、主に潮流パターンの集約的変化に依存しており、類似したシステム状態のクラスタリングが有効であることが示唆された。