[論文レビュー] Probabilistic Power Flow Computation via Low-Rank and Sparse Tensor Recovery

Zheng Zhang, Hung D. Nguyen+2 more|arXiv (Cornell University)|Aug 11, 2015

Tensor decomposition and applications参考文献 36被引用数 13

ひとこと要約

本稿では、高次元の不確実性を伴う確率的潮流を計算するため、最小限のシミュレーションサンプルを用いて低ランクかつスパースなテンソル回復手法を提案する。一般化された多項式クラウス展開におけるテンソル構造を活用することで、完全なサンプリングと比較して最大9×10²⁰倍の高速化を達成しながら、最大50個の確率的パラメータを有するシステムにおいても高い精度を維持する。

ABSTRACT

This paper presents a tensor-recovery method to solve probabilistic power flow problems. Our approach generates a high-dimensional and sparse generalized polynomial-chaos expansion that provides useful statistical information. The result can also speed up other essential routines in power systems (e.g., stochastic planning, operations and controls). Instead of simulating a power flow equation at all quadrature points, our approach only simulates an extremely small subset of samples. We suggest a model to exploit the underlying low-rank and sparse structure of high-dimensional simulation data arrays, making our technique applicable to power systems with many random parameters. We also present a numerical method to solve the resulting nonlinear optimization problem. Our algorithm is implemented in MATLAB and is verified by several benchmarks in MATPOWER $5.1$. Accurate results are obtained for power systems with up to $50$ independent random parameters, with a speedup factor up to $9 imes 10^{20}$.

研究の動機と目的

• 多数の不確実パrameterを有するシステムにおける確率的潮流の計算負荷を軽減すること。
• 不確実性下での電圧および線路潮流分布の正確な統計的分析を可能にすること。
• 一般化された多項式クラウス展開において、精度を損なわずに必要な潮流シミュレーション回数を削減すること。
• 現代の電力システムにおける確率的計画、運用、制御に適用可能なスケーラブルな手法を開発すること。

提案手法

• 高次元のシミュレーションデータをテンソルとして表現し、低ランクかつスパース構造を活用する。
• 小さなサンプル点のサブセットからテンソルを回復する非線形最適化問題を定式化する。
• アルゴリズムは交互最小化とADMMを用いて最適化を解き、局所最適解への収束を保証する。
• 解を基底関数のスパースな組み合わせとして表現するために一般化された多項式クラウス（gPC）展開を採用する。
• テンソル回復と確率的コロケーションを統合し、全解空間を効率的に近似する。
• 回復されたgPC係数から統計的モーメントおよび確率密度関数を計算する。

実験結果

リサーチクエスチョン

• RQ1 低ランクかつスパースなテンソル回復は、確率的潮流における必要な潮流シミュレーション回数を著しく削減できるか？
• RQ2 テンソル構造を活用することで、最小限のサンプルから一般化された多項式クラウス展開をどれほど正確に再構築できるか？
• RQ3 最大50個の確率的パラメータを有する高次元不確実性問題において、実現可能な高速化はどの程度か？
• RQ4 MATPOWER 5.1の異なるベンチマークシステムにおいて、本手法はどの程度のロバスト性を示すか？
• RQ5 計算コストを桁違いに削減しながらも、精度を維持できるか？

主な発見

• 本手法は、全テストケースにおいて完全なサンプリングと比較して最大9×10²⁰倍の高速化を達成した。
• 最大50個の独立した確率的パラメータを有するシステムに対しても、正確な確率的潮流結果が得られた。
• アルゴリズムは四則点の小さなサブセットを用いてgPC係数を効果的に回復し、統計的精度を保持した。
• 交互最小化を用いた交替方向乗数法（ADMM）は、局所最適性の保証があるものの、実用的なケースにおいて信頼性高く収束した。
• 回復されたgPC展開から、統計的モーメントおよび確率密度関数を効率的に計算可能となった。
• MATPOWER 5.1の3つのベンチマークにおける数値的検証により、本手法のロバスト性とスケーラビリティが確認された。