[论文解读] A K-Nearest Neighbor Heuristic for Real-Time DC Optimal Transmission Switching

Emma Savannah Johnson, Shabbir Ahmed+2 more|arXiv (Cornell University)|Mar 23, 2020

Vehicle Routing Optimization Methods被引用 7

一句话总结

本文提出一种k近邻（KNN）启发式方法用于实时直流最优输电切换（DCOTS），利用历史解来寻找与当前负荷和成本特征相似的系统状态，并从其解中选择表现最佳的拓扑结构。该方法在比现有启发式方法和商业求解器更快的速度下获得高质量解，且在实时约束下能高效扩展至大规模网络（如3,375节点系统）。

ABSTRACT

While transmission switching is known to reduce power generation costs, the difficulty of solving even DC optimal transmission switching (DCOTS) has prevented optimal transmission switching from becoming commonplace in real-time power systems operation. In this paper, we present a k-nearest neighbors (KNN) heuristic for DCOTS which relies on the insight that, for routine operations on a fixed network, the DCOTS solutions for similar load profiles and generation cost profiles will likely turn off similar sets of lines. We take a data-driven approach and assume that we have DCOTS solutions for many historical instances, which is realistic given that the problem is solved every 5 minutes in practice. Given a new instance, we find a set of "close" instances from the past and return the best of their solutions for the new instance. We present a case study on 7 test networks ranging in size from 118 to 3,375 buses. We compare the proposed heuristic to DCOTS heuristics from the literature, commercial solver heuristics, and a simple greedy local search algorithm. In most cases, we find better quality solutions in less computational time. In addition, the computational time is within the limits imposed by real-time operations, even on larger networks. Last, we present an empirical study of our training data to understand why the heuristic works well.

研究动机与目标

• 为解决在5分钟运行窗口内实时求解DCOTS的挑战，鉴于其NP难性质及电力系统中的时间限制。
• 开发一种可扩展的数据驱动启发式方法，利用历史DCOTS解来加速对新相似系统状态的决策。
• 与现有基于MIP的启发式方法和商业求解器相比，提升实时运行中的解的质量和计算效率。
• 在多样化的测试网络上实证验证该启发式方法，并理解驱动有效输电切换的关键模式。

提出的方法

• KNN启发式方法基于净负荷向量的距离度量，识别出与当前实例具有相似负荷和发电成本特征的'k'个历史实例。
• 对于每个最近邻，该方法从历史数据中检索对应的最优或近似最优输电切换解。
• 从k个最近邻中选择发电成本最低的解作为该启发式方法在当前实例的输出。
• 该方法假设相似的系统状态（以负荷和成本特征为准）会产生相似的最优切换拓扑，从而利用常规运行中时间上的相关性。
• 该方法基于从常规5分钟经济调度周期中收集的历史DCOTS解进行训练，使其适用于实时部署。
• 距离计算基于净负荷向量，且在有无降维的情况下评估该方法的鲁棒性和效率。

实验结果

研究问题

• RQ1 基于历史数据中相似系统状态的启发式KNN能否有效近似高质量的DCOTS解？
• RQ2 在实时环境中，KNN启发式方法与现有基于MIP的启发式方法及商业求解器相比，在解的质量和计算时间方面表现如何？
• RQ3 KNN方法在网络规模增大时是否能高效扩展，特别是在3,375节点等大型系统中？
• RQ4 系统状态的哪些特征（如负荷和成本特征）最能预测最优输电切换拓扑？
• RQ5 对负荷向量进行降维是否能在降低计算开销的同时保持解的质量？

主要发现

• KNN启发式方法在全部七个测试系统（包括3,375节点网络）中，持续优于文献中报道的启发式方法和商业求解器的启发式方法，在解的质量方面表现更优。
• 该方法的计算时间短于对比方法，运行时间完全在5分钟实时运行窗口内。
• KNN启发式方法在网络规模增大时表现出良好的可扩展性，仅对输电线路数量表现出微弱依赖性，适用于大规模系统。
• 即使使用降维后的净负荷表示，该启发式方法仍能保持高解的质量，且在较高切换基数下方差略有降低。
• 实证分析表明，最优解中通常仅切换少量线路，且整体潮流阻塞模式（而非单个母线行为）是决定最优拓扑的关键因素。
• 结果表明，输电切换决策主要受阻塞模式整体变化的影响，从而支持对相似系统状态的有效聚类。