[論文レビュー] Data-Driven Screening of Network Constraints

Salvador Pineda, Juan M. Morales+1 more|arXiv (Cornell University)|Jul 10, 2019

Electric Power System Optimization被引用数 1

ひとこと要約

本稿では、送電線の歴史的混雑パターンを学習し、非混雑な線路を最適化から除外することで、送電線制約付きユニットコミットメント（TC-UC）問題における計算複雑性を低減するデータ駆動型手法を提案する。過去の需要および再生可能エネルギー発電データを活用することで、より小さく、より速く解けるTC-UC問題を定式化し、中規模および大規模システムにおいて顕著な高速化を達成しつつ、最適性保証のための制約生成と併用可能である。解は近似的に最適に近い結果を得る。

ABSTRACT

The transmission-constrained unit commitment (TC-UC) problem is one of the most relevant problems solved by independent system operators for the daily operation of power systems. Given its computational complexity, this problem is usually not solved to global optimality for real-size power systems. In this paper, we propose a data-driven method that leverages historical information to screen out network constraints in the TC-UC problem. First, past data on demand and renewable generation throughout the network are used to learn the congestion status of transmission lines. Then, we infer the lines that will not become congested for upcoming operating conditions based on such learning and disregard their capacity constraints. This way, we formulate a reduced TC-UC problem that is easier to solve. Numerical results on a medium- and a large-size power system show that the proposed approach outperforms existing ones by significantly reducing the computational time while obtaining solutions that are equal or close to the one obtained with the original TC-UC problem. Furthermore, the purely data-driven method we propose can be seamlessly complemented with a constraint generation procedure to guarantee that the optimal solution to the original TC-UC problem is eventually recovered.

研究の動機と目的

• 大規模電力系統における送電線制約付きユニットコミットメント（TC-UC）問題を解く際の高い計算複雑性に対処すること。
• 将来の運転状態において混雑しにくいと予想される送電線を同定し、それらを除外することでTC-UC問題のサイズを低減すること。
• 混雑予測にヒューリスティクスやモデルベースの仮定に依存しない、完全にデータ駆動型のスクリーニング手法を開発すること。
• 低減された問題が実用的に解けることを保証するとともに、制約生成を用いて最適解の回復を可能にすること。
• 中規模および大規模電力系統において、顕著な計算時間の削減を示す、本手法の有効性を実証すること。

提案手法

• 系統全体の需要および再生可能エネルギー発電に関する歴史的データを用いて、送電線の混雑状態を予測するモデルを学習する。
• 異なる運転状態における線路混雑のパターンを学習し、将来のシナリオにおいても混雑しないと予測される線路を同定する。
• 混雑しないと予測された線路はTC-UC定式化から除外され、制約が少ないより小さな最適化問題が得られる。
• 低減されたTC-UC問題は、元の問題と比較して著しく計算時間が短くなる。
• 反復的に除外された制約を検証・回復するための制約生成手順を統合し、最終的な解が元のTC-UC問題の最適解と一致することを保証する。
• 本手法は完全にデータ駆動であり、スクリーニングにための電力潮流モデルやシステムパrameterの仮定を必要としない。

実験結果

リサーチクエスチョン

• RQ1 歴史的系統データを用いて、将来の運転状態において混雑しないと予測される送電線を効果的に特定できるか？
• RQ2 混雑しない線路を除外することで、解の品質を損なわず、TC-UC問題の計算負荷をどの程度低減できるか？
• RQ3 解の品質および計算効率の観点から、本手法は既存のアプローチと比較してどの程度優れているか？
• RQ4 制約生成を組み合わせることで、元のTC-UC問題の最適解を保証的に回復できるか？
• RQ5 本データ駆動型スクリーニング手法は大規模電力系統においてもスケーラブルかつ有効であるか？

主な発見

• 提案されたデータ駆動型スクリーニング手法は、中規模および大規模電力系統におけるTC-UC問題の計算時間を顕著に短縮する。
• 低減されたTC-UC問題から得られる解は、元の問題の最適解と等しいか、非常に近い。
• 解の品質を維持しつつ顕著な高速化を達成し、計算効率の観点で既存の手法を上回る。
• 制約生成の統合により、元のTC-UC問題の最適解を高い信頼性で回復できることが保証される。
• 実世界の電力系統規模においてもスケーラブルかつ有効であるため、システム運用者にとって実用的である。
• 完全にデータ駆動型の性質により、詳細な系統モデル化や仮定を必要とせず、容易に導入可能である。