[论文解读] Confidence-Aware Graph Neural Networks for Learning Reliability Assessment Commitments

Seonho Park, Wenbo Chen+3 more|arXiv (Cornell University)|Nov 28, 2022

Power System Reliability and Maintenance被引用 4

一句话总结

本文提出 RACLearn，一种具备置信度感知能力的图神经网络框架，通过预测发电机出清与线路约束并量化不确定性，加速电力系统中可靠性评估出清（RAC）优化。通过选择高置信度预测，应用多项式时间可行性恢复，并为混合整数规划（MIP）求解器提供初始解，RACLearn 在包括 MISO 的 DA-FRAC 和 LAC 系统在内的实际输电网中实现了 2x–4x 的加速，且最优性间隙损失可忽略不计。

ABSTRACT

Reliability Assessment Commitment (RAC) Optimization is increasingly important in grid operations due to larger shares of renewable generations in the generation mix and increased prediction errors. Independent System Operators (ISOs) also aim at using finer time granularities, longer time horizons, and possibly stochastic formulations for additional economic and reliability benefits. The goal of this paper is to address the computational challenges arising in extending the scope of RAC formulations. It presents RACLearn that (1) uses a Graph Neural Network (GNN) based architecture to predict generator commitments and active line constraints, (2) associates a confidence value to each commitment prediction, (3) selects a subset of the high-confidence predictions, which are (4) repaired for feasibility, and (5) seeds a state-of-the-art optimization algorithm with feasible predictions and active constraints. Experimental results on exact RAC formulations used by the Midcontinent Independent System Operator (MISO) and an actual transmission network (8965 transmission lines, 6708 buses, 1890 generators, and 6262 load units) show that the RACLearn framework can speed up RAC optimization by factors ranging from 2 to 4 with negligible loss in solution quality.

研究动机与目标

• 应对因可再生能源渗透率提高和时间跨度延长而带来的电力系统中可靠性评估出清（RAC）建模日益增长的计算负担。
• 克服传统混合整数线性规划（MILP）求解器在处理大规模、时效性强且具有高预测不确定性的 RAC 问题时的局限性。
• 利用历史 RAC 实例中的结构与时间相关性，训练机器学习模型以加速优化过程。
• 构建一个结合预测建模、不确定性量化与可行性恢复的框架，确保高质量且可行的解。
• 通过缩短 RAC 求解时间，提升独立系统运营商（ISOs）的决策速度，同时保持系统可靠性与经济性能。

提出的方法

• 设计一种新型基于图神经网络（GNN）的架构，采用编码器-解码器结构，从电力网络拓扑与预测数据中联合预测发电机出清与关键输电线路约束。
• 在 GNN 中集成蒙特卡洛 dropout（MC-dropout），以估计认知不确定性，并为每项出清预测分配置信度分数。
• 选择一部分高置信度预测（例如，前 30–100%）进行固定，从而减少 MIP 求解器的搜索空间。
• 应用多项式时间可行性恢复程序，将因预测固定而产生的潜在不可行解转化为可行解，同时使最优性间隙的增加最小化。
• 使用修复后的可行解和预测的活跃约束作为初始解，为最先进的 MIP 求解器提供种子，以加速收敛。
• 端到端训练整个 RACLearn 框架，基于历史 RAC 实例，以最小化最优性间隙并最大化加速比。

实验结果

研究问题

• RQ1 基于 GNN 的模型能否在高精度与低计算成本下，有效预测 RAC 问题中的发电机出清与活跃线路约束？
• RQ2 从 MC-dropout 衍生的置信度分数在真实 RAC 场景中与预测准确性的相关性如何？
• RQ3 在不降低解质量的前提下，固定高置信度预测能在多大程度上加速 MIP 求解？
• RQ4 多项式时间可行性恢复程序能否可靠地将固定预测后产生的不可行解转化为高质量可行解？
• RQ5 在 RACLearn 框架中，改变固定出清数量时，解质量与加速比之间的权衡关系如何？

主要发现

• 在 MISO 的 DA-FRAC 与 LAC 建模中，RACLearn 实现了 2x 至 4x 的加速，最高达 4x 的加速比出现在允许 0.77% 最优性间隙损失时。
• 在 LAC 系统中，固定高达 100% 的高置信度出清时，最优性间隙仅增加 0.09%，CPU 时间减少 50%。
• 可行性恢复步骤至关重要：若无该步骤，当所有出清均被固定时，仅有 31.17% 的 DA-FRAC 实例保持可行。
• 置信度分数与预测准确性高度相关：在 LAC 案例中，当固定 90% 的预测时，100% 的高置信度预测均正确。
• 基于 GNN 的架构在预测准确率与参数效率方面均优于深度与浅层基线模型，支持扩展至大规模网络（如 8965 条线路、6708 个母线）。
• 该框架在多种场景下均保持接近最优的解质量，多数配置的几何平均最优性间隙与基线相比不超过 0.5%。