[논문 리뷰] Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach

Xingyu Lei, Zhifang Yang외 4명|arXiv (Cornell University)|2020. 05. 31.

Machine Learning and ELM참고 문헌 40인용 수 9

한 줄 요약

이 논문은 스택형 극단적 학습기(스택형 극단적 학습기, SELM) 프레임워크를 사용하여 데이터 기반 최적 전력 흐름(OPF)을 위한 물리 기반 기계 학습 접근법을 제안한다. OPF 특징을 세 단계로 분해하고 활성 제약 기반 사전 분류를 적용하여 빠른 학습, 낮은 학습 복잡도, 높은 정확도를 달성하였으며, IEEE 및 폴란드 시스템에서 다른 방법들보다 뛰어난 성능을 보였고, 최소한의 초모수 조정으로도 성능을 확보하였다.

ABSTRACT

This paper proposes a data-driven approach for optimal power flow (OPF) based on the stacked extreme learning machine (SELM) framework. SELM has a fast training speed and does not require the time-consuming parameter tuning process compared with the deep learning algorithms. However, the direct application of SELM for OPF is not tractable due to the complicated relationship between the system operating status and the OPF solutions. To this end, a data-driven OPF regression framework is developed that decomposes the OPF model features into three stages. This not only reduces the learning complexity but also helps correct the learning bias. A sample pre-classification strategy based on active constraint identification is also developed to achieve enhanced feature attractions. Numerical results carried out on IEEE and Polish benchmark systems demonstrate that the proposed method outperforms other alternatives. It is also shown that the proposed method can be easily extended to address different test systems by adjusting only a few hyperparameters.

연구 동기 및 목표

• 복잡한 시스템 상태 상관관계로 인해 데이터 기반 방법을 최적 전력 흐름(OPF)에 적용하는 데 도전하는 문제를 해결하기 위해.
• OPF 회귀의 학습 복잡도를 낮추고 편향을 수정하기 위해 모델을 세 가지 상이한 단계로 분해하기 위해.
• 활성 제약 식별 기반의 샘플 사전 분류 전략을 통해 특징 표현을 향상시키기 위해.
• 다양한 전력 시스템에 쉽게 적용 가능한 스케일러블하고 빠른 학습 프레임워크를 개발하기 위해, 최소한의 초모수 조정이 필요하도록 하기 위해.

제안 방법

• 딥 러닝 대비 빠른 파라미터 없는 학습이 가능한 스택형 극단적 학습기(SELM) 프레임워크를 사용한다.
• 학습 과정을 단순화하고 일반화 능력을 향상시키기 위해 OPF 모델을 세 단계로 분해한다.
• 특징 추출과 모델 정확도 향상을 위해 활성 제약를 식별하는 사전 분류 전략을 도입한다.
• 기계 학습 프레임워크에 물리적 전력 시스템 제약 조건을 통합하여 물리 기반 예측을 보장한다.
• 역사적 시스템 운영 데이터를 기반으로 학습하여 시스템 상태를 최적의 디스패치 솔루션으로 매핑한다.
• 초모수 조정을 최소화하여 새로운 시험 시스템에 쉽게 적응할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 극단적 학습기 기반의 데이터 기반 접근법이 광범위한 초모수 조정 없이도 최적 전력 흐름에서 높은 정확도를 달성할 수 있는가?
• RQ2 OPF 모델을 세 단계로 분해하는 것이 학습 효율성 향상과 편향 감소에 어떻게 기여하는가?
• RQ3 활성 제약 식별 기반의 사전 분류가 OPF 회귀에서 특징 표현에 얼마나 기여하는가?
• RQ4 물리 기반 설계는 기계 학습 예측 결과가 물리적으로 타당하게 유지되는지를 어떻게 보장하는가?
• RQ5 제안된 방법은 최소한의 재구성으로 다양한 전력 시스템 시험 케이스에 쉽게 일반화될 수 있는가?

주요 결과

• 제안된 방법은 IEEE 및 폴란드 기준 시험 시스템 모두에서 다른 데이터 기반 접근법보다 뛰어난 성능을 달성하였다.
• 활성 제약 기반 사전 분류의 사용이 특징 흡착력 향상과 모델 정확도 향상에 상당한 기여를 하였다.
• SELM 프레임워크는 시간이 오래 소요되는 초모수 조정 없이도 빠른 학습을 가능하게 하여 계산 비용을 감소시켰다.
• 다양한 시험 시스템에서 높은 정확도를 유지하여 강력한 일반화 능력을 입증하였다.
• 새로운 시스템에 모델을 확장하기 위해 조정이 필요한 초모수 수가 몇 개뿐이어서 스케일러비리티가 확인되었다.