[论文解读] Smart-PGSim: Using Neural Network to Accelerate AC-OPF Power Grid Simulation

Wenqian Dong, Zhen Xie+2 more|arXiv (Cornell University)|Aug 26, 2020

Optimal Power Flow Distribution参考文献 47被引用 9

一句话总结

该论文提出 Smart-PGSim，一种多任务神经网络框架，可为交流最优潮流（AC-Optimal Power Flow, AC-OPF）仿真预测高质量的初始解。通过嵌入物理信息约束并使用这些预测结果作为热启动，该方法平均加速收敛 2.60 倍（最高达 3.28 倍），且不牺牲解的最优性。

ABSTRACT

The optimal power flow (OPF) problem is one of the most important optimization problems for the operation of the power grid. It calculates the optimum scheduling of the committed generation units. In this paper, we develop a neural network approach to the problem of accelerating the current optimal power flow (AC-OPF) by generating an intelligent initial solution. The high quality of the initial solution and guidance of other outputs generated by the neural network enables faster convergence to the solution without losing optimality of final solution as computed by traditional methods. Smart-PGSim generates a novel multitask-learning neural network model to accelerate the AC-OPF simulation. Smart-PGSim also imposes the physical constraints of the simulation on the neural network automatically. Smart-PGSim brings an average of 49.2% performance improvement (up to 91%), computed over 10,000 problem simulations, with respect to the original AC-OPF implementation, without losing the optimality of the final solution.

研究动机与目标

• 解决实时 AC-OPF 电力系统仿真中计算延迟高的挑战。
• 克服现有机器学习方法替换求解器或牺牲最优性的局限性。
• 开发一种在不损害解的准确性或可行性的情况下提升仿真速度的方法。
• 将领域特定的物理约束整合到神经网络中，以增强鲁棒性和收敛性。
• 在实时运行需求下，实现大规模电力系统高效且高精度的仿真。

提出的方法

• 设计一个多任务学习（MTL）神经网络，以同时预测多个关键变量（例如，电压幅值、相角、有功/无功功率）。
• 将基于物理的约束（如功率平衡和潮流方程）作为软约束或硬约束嵌入 MTL 模型中，以确保物理合理性。
• 使用预测的初始解作为 AC-OPF 数值求解器的热启动，从而减少达到收敛所需的迭代次数。
• 在 10,000 个多样化电力系统问题实例上训练 MTL 模型，以实现对不同网络拓扑和运行方式的泛化能力。
• 通过为每个变量定制输出层并共享特征提取模块，优化模型架构以实现在不同任务间的信息共享。
• 使用真实世界电力系统案例验证该方法，并与最先进求解器对比收敛速度和解的质量。

实验结果

研究问题

• RQ1 多任务神经网络能否有效预测 AC-OPF 的高质量初始解，从而显著加速收敛？
• RQ2 神经网络架构中引入的物理信息约束如何影响预测初始解的鲁棒性和准确性？
• RQ3 选择特定变量作为网络输出对仿真收敛性和执行时间有何影响？
• RQ4 使用预测的初始解作为热启动是否能在减少仿真时间的同时保持解的最优性？
• RQ5 该方法是否能在不同电力系统配置下保持一致的加速效果，且不增加失败率？

主要发现

• Smart-PGSim 在 10,000 个 AC-OPF 问题上实现了平均 2.60 倍的加速，最大加速比达 3.28 倍。
• 该方法保持了解的最优性，确保所有结果均满足物理和运行约束，具备可行性。
• 在 MTL 模型中引入物理约束显著提升了收敛的鲁棒性，并减少了失败仿真次数。
• 仿真中步长和收敛条件的行为表明，良好的初始解可实现快速且稳定的收敛，而较差的初始解则导致不稳定甚至发散。
• 即使因收敛失败需要重新初始化，Smart-PGSim 的整体性能仍优于最先进方法，归因于初始预测的高质量。
• 敏感性分析表明，预测关键变量（如电压幅值和功率注入）对减少求解器迭代次数、提升收敛速度具有显著影响。