[论文解读] A Component-Based Dual Decomposition Method for the OPF Problem

Sleiman Mhanna, Gregor Verbič+1 more|arXiv (Cornell University)|Apr 12, 2017

Optimal Power Flow Distribution参考文献 19被引用 7

一句话总结

本文提出了一种基于组件的对偶分解方法，结合增广拉格朗日松弛和ADMM，以分布式方式求解非凸AC最优潮流（OPF）问题。尽管缺乏理论收敛保证，当子问题被精确求解且参数经过仔细调整时，该方法在72个测试案例中实现了全局最优，展示了在多时段OPF和多输电系统运营商（TSO）安全约束机组组合等智能电网应用中的实际收敛性和可扩展性。

ABSTRACT

This paper proposes a component-based dual decomposition of the nonconvex AC optimal power flow (OPF) problem, where the modified dual function is solved in a distributed fashion. The main contribution of this work is that is demonstrates that a distributed method with carefully tuned parameters can converge to globally optimal solutions despite the inherent nonconvexity of the problem and the absence of theoretical guarantees of convergence. This paper is the first to conduct extensive numerical analysis resulting in the identification and tabulation of the algorithmic parameter settings that are crucial for the convergence of the method on 72 AC OPF test instances. Moreover, this work provides a deeper insight into the geometry of the modified Lagrange dual function of the OPF problem and highlights the conditions that make this function differentiable. This numerical demonstration of convergence coupled with the scalability and the privacy preserving nature of the proposed method makes it well suited for smart grid applications such as multi-period OPF with demand response (DR) and security constrained unit commitment (SCUC) with contingency constraints and multiple transmission system operators (TSOs).

研究动机与目标

• 开发一种用于求解非凸AC最优潮流（OPF）问题的分布式、可扩展且保护隐私的方法。
• 证明即使缺乏理论收敛保证，通过仔细调优参数的对偶分解方法仍可收敛至全局最优解。
• 识别并整理确保在多样化AC OPF测试实例中实现收敛的关键算法参数设置。
• 深入理解修改后的拉格朗日对偶函数在OPF背景下的可微性与几何特性。
• 使该方法能够应用于大规模智能电网问题，如含需求响应的多时段OPF和含多个TSO的安全约束机组组合（SCUC）。

提出的方法

• 该方法采用基于组件的对偶分解，将AC OPF问题分解为与各个网络组件（母线、线路、发电机）相关的子问题。
• 使用增广拉格朗日松弛重构对偶问题，引入惩罚参数（ρ）以稳定收敛并改善对偶函数的平滑性。
• 应用交替方向乘子法（ADMM）以分布式方式求解修改后的对偶函数，实现组件间共享变量的一致性。
• 子问题通过内点法（IPM）精确求解，结合适当的参数调优可确保修改后的对偶间隙为零。
• 该方法引入一种平滑技术，以增强对偶函数在区间[0, λ*]上的可微性，从而实现稳定优化。
• 对惩罚参数（ρ）和邻近项（ν）进行调优，以提升算法对初始点的鲁棒性并加速收敛。

实验结果

研究问题

• RQ1 在缺乏理论收敛保证的前提下，分布式对偶分解方法能否实现非凸AC OPF问题的全局最优？
• RQ2 哪些特定的参数设置（如ρ、ν、初始化）对于确保在多样化测试系统中收敛至全局最优至关重要？
• RQ3 修改后的拉格朗日对偶函数的几何结构与可微性如何影响基于ADMM的算法收敛行为？
• RQ4 该方法的性能在多大程度上依赖于子问题的全局最优解而非次优解？
• RQ5 该方法在大规模智能电网应用（如含需求响应的多时段OPF和含多个TSO的SCUC）中的可扩展性与性能表现如何？

主要发现

• 当子问题被精确求解且算法参数经过仔细调优时，所提方法在72个AC OPF测试案例中实现了全局最优，尽管问题本身具有非凸性。
• 收敛性对惩罚参数ρ的选择极为敏感：较低值（如ρ=2）可实现更快收敛且对初始点不敏感，而较高值（如ρ=10）则增加迭代次数并提高对初始点的敏感性。
• 子问题的全局最优解是实现零修改对偶间隙的关键；若子问题仅获得次优解，即使ρ相同，算法也会收敛至次优对偶值。
• 当ρ=2且子问题被精确求解时，该方法对初始化具有鲁棒性，无论初始点如何，均能收敛至全局最优。
• 当ρ=2时，若子问题被精确求解且初始点为x₂¹=1，收敛仅需19次迭代；而当ρ=10时，迭代次数增至49次，表明增加ρ并不总是能提升收敛速度。
• 该方法展现出实际收敛性和可扩展性，适用于实际应用场景，如含需求响应的多时段OPF和含多个TSO的SCUC。