[论文解读] DeepOPF+: A Deep Neural Network Approach for DC Optimal Power Flow for Ensuring Feasibility

Tianyu Zhao, Xiang Pan+3 more|arXiv (Cornell University)|Sep 7, 2020

Optimal Power Flow Distribution参考文献 22被引用 8

一句话总结

DeepOPF+ 是一种用于直流最优潮流（DC-OPF）的深度神经网络方法，通过在训练过程中校准发电机和线路的极限值来确保解的可行性，从而防止近似误差违反物理约束。该方法在 IEEE 30、118、200 和 300 节点系统中实现了 100% 的解可行性，优化损失低于 2%，且相比传统求解器实现了 100 倍的加速。

ABSTRACT

Deep Neural Networks (DNNs) approaches for the Optimal Power Flow (OPF) problem received considerable attention recently. A key challenge of these approaches lies in ensuring the feasibility of the predicted solutions to physical system constraints. Due to the inherent approximation errors, the solutions predicted by DNNs may violate the operating constraints, e.g., the transmission line capacities, limiting their applicability in practice. To address this challenge, we develop DeepOPF+ as a DNN approach based on the so-called "preventive" framework. Specifically, we calibrate the generation and transmission line limits used in the DNN training, thereby anticipating approximation errors and ensuring that the resulting predicted solutions remain feasible. We theoretically characterize the calibration magnitude necessary for ensuring universal feasibility. Our DeepOPF+ approach improves over existing DNN-based schemes in that it ensures feasibility and achieves a consistent speed up performance in both light-load and heavy-load regimes. Detailed simulation results on a range of test instances show that the proposed DeepOPF+ generates 100% feasible solutions with minor optimality loss. Meanwhile, it achieves a computational speedup of two orders of magnitude compared to state-of-the-art solvers.

研究动机与目标

• 解决在高负载运行状态下，基于深度神经网络的最优潮流方法因近似误差导致解不可行的挑战。
• 克服现有基于深度神经网络的最优潮流方法对计算成本高昂的后处理程序的依赖。
• 确保在轻载和重载运行条件下，预测解的普遍可行性。
• 在大规模电力系统中实现显著的计算加速，同时保持接近最优的性能。

提出的方法

• 提出一种预防性学习框架，在深度神经网络训练过程中校准系统约束（发电和线路极限），以提前应对近似误差。
• 引入理论分析，建立约束校准幅度与深度神经网络近似误差上界之间的关系，从而确保解的可行性。
• 训练一个深度神经网络，将负荷曲线映射到发电机出力值，同时在训练过程中使用校准后的极限值作为约束。
• 采用多层深度神经网络架构，基于 PyTorch 实现，训练 200 个周期，批量大小为 64，使用加权损失函数以兼顾精度和约束满足度。
• 通过在训练期间将最大发电能力和线路潮流容量减少 0.5% 至 7% 来实现极限值的校准，从而建立安全裕度。
• 将预测结果与 PyPSA 和 MATPOWER 的真实解进行对比验证，确保解的可行性和最优性。

实验结果

研究问题

• RQ1 基于深度神经网络的 DC-OPF 方法是否能在无需后处理的情况下，在各种负荷条件下实现 100% 的解可行性？
• RQ2 为保证可行性而所需的系统约束最小校准幅度是多少，同时能将优化损失最小化？
• RQ3 所提出的预防性校准框架与基于后处理的方法相比，在计算速度和可行性方面表现如何？
• RQ4 约束校准在多大程度上影响预测解与真实最优解之间的最优性间隙？
• RQ5 该方法是否可推广至其他最优潮流变体，如安全约束最优潮流或交流最优潮流问题？

主要发现

• DeepOPF+ 在经过适当约束校准后，对所有测试的 IEEE 30、118、200 和 300 节点系统均实现了 100% 的解可行性。
• 与传统求解器得到的真实最优解相比，预测解的优化损失小于 1.94%。
• 对于 IEEE 30 节点系统，3.5% 的校准幅度可确保 100% 的可行性；而 118 节点和 300 节点系统则分别需要 5% 和 7% 的校准幅度。
• DeepOPF+ 相较于最先进的传统 OPF 求解器实现了两个数量级的加速（100 倍）。
• 该方法在轻载和重载运行条件下均保持高性能，而现有方法在高负载下因不可行性而失效。
• 可行性与最优性之间存在权衡：更大的校准幅度可提高可行性，但会增加优化损失，凸显了寻找最小有效校准幅度的必要性。