[论文解读] Unsupervised Optimal Power Flow Using Graph Neural Networks

Damian Owerko, Fernando Gama+1 more|arXiv (Cornell University)|Oct 17, 2022

Optimal Power Flow Distribution被引用 7

一句话总结

本文提出一种无监督图神经网络（GNN）方法用于最优潮流（OPF），通过可微分的对数障碍惩罚项来学习从功率需求到发电机出力的映射，同时强制执行电力系统物理约束。该方法在约束违反率较低的情况下实现了接近最优的成本，相较于传统求解器，在存在紧约束的电流或功率速率限制场景下表现更优。

ABSTRACT

Optimal power flow (OPF) is a critical optimization problem that allocates power to the generators in order to satisfy the demand at a minimum cost. Solving this problem exactly is computationally infeasible in the general case. In this work, we propose to leverage graph signal processing and machine learning. More specifically, we use a graph neural network to learn a nonlinear parametrization between the power demanded and the corresponding allocation. We learn the solution in an unsupervised manner, minimizing the cost directly. In order to take into account the electrical constraints of the grid, we propose a novel barrier method that is differentiable and works on initially infeasible points. We show through simulations that the use of GNNs in this unsupervised learning context leads to solutions comparable to standard solvers while being computationally efficient and avoiding constraint violations most of the time.

研究动机与目标

• 解决大规模非凸电力系统中精确最优潮流（OPF）的计算不可行性问题。
• 克服传统求解器（如内点法）速度慢且不可扩展的局限性。
• 开发一种无需标注数据即可尊重物理电网约束的机器学习方法。
• 利用图信号处理与GNN技术，借助电网拓扑结构实现可扩展的分布式求解。
• 提出一种新颖的可微分障碍法，用于在无监督训练过程中强制执行约束条件。

提出的方法

• 使用图神经网络（GNN）参数化从母线功率注入到发电机出力的映射关系。
• 通过直接最小化总发电成本，将OPF问题表述为无监督学习任务。
• 引入一种基于对数障碍法的可微分、分段惩罚函数，以强制执行电压、发电机和线路潮流约束。
• 使用基于梯度的优化方法训练GNN，其中损失函数结合了成本最小化与约束违反惩罚项。
• 以去中心化、拓扑感知的方式应用GNN，利用电力系统稀疏结构的优势。
• 采用相对违反误差和约束违反分布等指标评估性能，而不仅依赖成本或违反率。

实验结果

研究问题

• RQ1 GNN能否在无需标注最优解的情况下，以无监督方式学习求解OPF问题？
• RQ2 在端到端训练过程中，可微分对数障碍惩罚在强制执行物理约束方面的有效性如何？
• RQ3 GNN在不同电力系统拓扑结构（如辐射状与网孔网络）之间的泛化能力如何？
• RQ4 当电流或功率速率限制处于紧约束状态时，约束违反情况如何随系统规模和拓扑结构变化？
• RQ5 与标准求解器相比，GNN模型能否在保持低约束违反率的同时实现接近最优的成本？

主要发现

• 在IEEE-118数据集上，GNN的平均成本为903.96美元，比IPOPT求解器的836.10美元高出8.12%，表明其相对于最先进的内点法具有强劲性能。
• 在IEEE-118测试样本中，82.5%的样本出现约束违反，但最大相对违反率分别为25.28%（电压幅值）和17.20%（发电机限制），且大多数违反集中在分布的下尾部分。
• 在电流或功率速率限制处于紧约束的场景中，GNN的表现优于IPOPT，表明其更适合存在输电约束的实际系统。
• 当满足局部性和紧约束的关键假设时，该模型在稀疏、局部结构化的电网中展现出更好的可扩展性和可行性。
• 所提出的评估指标——相对违反误差——揭示了约束违反并非均匀分布，强调了违反严重性而非单纯频率的重要性。
• 在较小的IEEE-30系统上进行超参数调优后，模型在IEEE-118上的性能表现欠佳，表明跨系统规模的泛化仍需进一步的架构改进或数据驱动适应。