[논문 리뷰] Learning an Optimally Reduced Formulation of OPF through Meta-optimization

Alex Robson, Mahdi Jamei외 2명|arXiv (Cornell University)|2019. 11. 15.

Power System Reliability and Maintenance참고 문헌 33인용 수 16

한 줄 요약

이 논문은 최적 전력 흐름(OPF) 문제에서의 유 bound 제약 조건을 예측하기 위해 신경망을 훈련시키는 메타 최적화 프레임워크를 제안한다. 이는 최적성을 보장하는 반복적 해법을 통해 단순화된 OPF 설정을 가능하게 한다. 표준 분류 손실 대신 계산 비용을 기반으로 한 메타 손실을 최적화함으로써, 특히 더 큰 지도에서의 해법 시간이 크게 단축되며, 기존의 훈련 방식을 능가한다.

ABSTRACT

With increasing share of renewables in power generation mix, system operators would need to run Optimal Power Flow (OPF) problems closer to real-time to better manage uncertainty. Given that OPF is an expensive optimization problem to solve, shifting computational effort away from real-time to offline training by machine learning techniques has become an intense research area. In this paper, we introduce a method for solving OPF problems, which can substantially reduce solve times of the two-step hybrid techniques that comprise of a neural network with a subsequent OPF step guaranteeing optimal solutions. A neural network that predicts the binding status of constraints of the system is used to generate an initial reduced OPF problem, defined by removing the predicted non-binding constraints. This reduced model is then extended in an iterative manner until guaranteeing an optimal solution to the full OPF problem. The classifier is trained using a meta-loss objective, defined by the total computational cost of solving the reduced OPF problems constructed during the iterative procedure. Using a wide range of DC- and AC-OPF problems, we demonstrate that optimizing this meta-loss objective results in a classifier that significantly outperforms conventional loss functions used to train neural network classifiers. We also provide an extensive analysis of the investigated grids as well as an empirical limit of performance of machine learning techniques providing optimal OPF solutions.

연구 동기 및 목표

• 실시간에서의 대규모 최적 전력 흐름(OPF) 문제 해결에 따른 계산 부담을 줄이기 위해, 특히 재생 가능 에너지의 통합 증가에 대비한다.
• 온난 시작에 의존하지만 타당성이나 최적 수렴을 보장하지 못하는 하이브리드 머신러닝-OPF 방법의 한계를 해결하기 위해.
• 결과적으로 더 빠르고 최적의 해를 보장하는 단순화된 문제를 가능하게 하기 위해, OPF 문제에서 활성 제약 조건을 예측하는 분류기를 개발하기 위해.
• 반복적인 타당성 검사의 실제 계산 비용을 반영하는 메타 손실로 표준 손실 함수를 대체함으로써, 제약 조건 예측을 위한 신경망 훈련을 향상시키기 위해.
• 메타 최적화된 신경망이 기존 훈련 방식에 비해 뛰어난 성능을 보이며, 특히 더 크고 복잡한 지도에서 성능 향상이 뚜렷하다는 것을 입증하기 위해.

제안 방법

• 시스템 파ameters를 기반으로 OPF 문제의 모든 부등식 제약 조건의 유 bound 여부를 예측하기 위해 신경망 분류기를 훈련시킨다.
• 예측된 비유 bound 제약 조건을 제거하여 초기 단순화된 OPF 문제를 구성하고, 이를 반복적으로 해결한다.
• 해결 결과가 전체 문제의 제약 조건을 위반하는 경우, 해당 제약 조건을 다시 추가하고 과정을 반복하여 더 이상 새로운 위반 사항이 없을 때까지 반복함으로써 전체 OPF 해를 보장한다.
• 반복적인 단순화된 문제의 해법에 소요되는 총 계산 비용을 측정하는 메타 손실 목표를 사용하여 신경망을 훈련시킨다.
• 메타 최적화는 파article swarm optimization(PSO) 프레임워크를 사용하여 네트워크의 가중치를 조정하여 메타 손실을 최소화한다.
• 이 방법은 다양한 크기의 합성 지도에서 DC- 및 AC-OPF 설정에 대해 평가되었으며, 표준 교차 엔트로피 훈련과의 성능 비교가 이루어졌다.

실험 결과

연구 질문

• RQ1 계산 비용을 기반으로 한 메타 손실로 훈련된 신경망 분류기가 OPF 문제의 유 bound 제약 조건을 예측하는 데 있어 표준 분류 손실에 비해 우월한 성능을 보일 수 있는가?
• RQ2 기존 훈련 방식 대비 메타 최적화된 신경망이 반복적인 타당성 검사의 총 해법 시간에 어떤 영향을 미치는가?
• RQ3 메타 최적화의 성능 향상은 지도 크기에 따라 비례하는가? 특히 더 크고 복잡한 시스템에서 유의미한가?
• RQ4 기존 훈련 후 클래스 가중치를 조정한 수정된 교차 엔트로피 손실이 메타 손실을 얼마나 잘 근사할 수 있으며, 직접적인 메타 최적화와 비교해 볼 때 어떤가?
• RQ5 제안된 방법은 $N-k$ 장애 문제로 확장 가능할 수 있는가? 이 경우 제약 조건 감소로 인한 계산적 이점이 더욱 크다.

주요 결과

• 메타 최적화된 신경망 분류기는 기존의 표준 손실 함수로 훈련된 모델에 비해 반복적인 타당성 검사의 해법 시간이 크게 단축됨을 보였다.
• 일부 DC-OPF 사례에서 메타 최적화를 통해 달성된 메타 손실은 전체 OPF 문제의 메타 손실보다 낮아, 상당한 계산적 절감 효과를 나타냈다.
• 메타 최적화의 성능 향상은 지도 크가 커질수록 증가하며, 이는 대규모 전력 시스템에 특히 유용함을 시사한다.
• 클래스 가중치를 조정한 교차 엔트로피 손실을 미세 조정한 후에도, 직접적인 메타 최적화로 달성된 메타 손실보다 여전히 높게 유지되었다.
• 이 방법은 $N-k$ 장애 문제로의 확장 가능성이 있으며, 그래프 신경망을 사용해 구조적 정보를 통합함으로써 더욱 향상시킬 수 있다.