[论文解读] DeepOPF: A Deep Neural Network Approach for Security-Constrained DC Optimal Power Flow

Xiang Pan, Tianyu Zhao+2 more|arXiv (Cornell University)|Oct 30, 2019

Power System Optimization and Stability参考文献 67被引用 30

一句话总结

DeepOPF 提出了一种深度神经网络（DNN）方法，通过从负荷输入到发电和电压相角输出的高维映射学习，求解计及安全约束的直流最优潮流（SC-DCOPF）问题。它采用预测与重构策略以降低模型复杂度，并使用 ℓ₁ 投影确保可行性，实现小于 0.2% 的最优性损失，相比最先进的求解器（如 Gurobi）实现高达 100 倍的加速。

ABSTRACT

We develop DeepOPF as a Deep Neural Network (DNN) approach for solving security-constrained direct current optimal power flow (SC-DCOPF) problems, which are critical for reliable and cost-effective power system operation.DeepOPF is inspired by the observation that solving SC-DCOPF problems for a given power network is equivalent to depicting a high-dimensional mapping from the load inputs to the generation and phase angle outputs. We first train a DNN to learn the mapping and predict the generations from the load inputs. We then directly reconstruct the phase angles from the generations and loads by using the power flow equations. Such a predict-and-reconstruct approach reduces the dimension of the mapping to learn, subsequently cutting down the size of the DNN and the amount of training data needed. We further derive a condition for tuning the size of the DNN according to the desired approximation accuracy of the load-generation mapping. We develop a post-processing procedure based on $\ell_1$-projection to ensure the feasibility of the obtained solution, which can be of independent interest. Simulation results for IEEE test cases show that DeepOPF generates feasible solutions with less than 0.2% optimality loss, while speeding up the computation time by up to two orders of magnitude as compared to a state-of-the-art solver.

研究动机与目标

• 为解决大规模电力系统中 SC-DCOPF 问题的高计算复杂度问题。
• 利用深度学习实现不同负荷条件下 SC-DCOPF 的快速、重复求解。
• 开发一种基于 DNN 的方法，确保电力系统经济调度中兼具高精度与运行可行性。
• 通过将发电预测与相角重构分离，降低映射问题的维度。
• 引入后处理 ℓ₁ 投影步骤，以确保约束可行性，而无需重新训练模型。

提出的方法

• 训练深度神经网络，直接从负荷输入预测发电机输出，减少对完整高维映射的学习需求。
• 利用潮流方程，从预测的发电量和已知负荷中重构电压相角，避免直接预测相角。
• 采用包含权重 w₁（预测误差）和 w₂（约束违反惩罚）的两部分损失函数，以在训练过程中平衡精度与可行性。
• 在后处理阶段应用 ℓ₁ 投影，校正不可行解，确保所有运行与安全约束均被满足。
• 推导理论条件，基于期望的负荷到发电映射近似精度，调节 DNN 大小。
• 通过在重复的 SC-DCOPF 求解（例如每 5 分钟一次）中分摊 DNN 训练成本，实现实时性能。

实验结果

研究问题

• RQ1 深度神经网络能否有效学习固定电力网络下 SC-DCOPF 问题的输入-输出映射？
• RQ2 DNN 大小与训练数据量如何影响最优性损失与计算速度之间的权衡？
• RQ3 后处理 ℓ₁ 投影步骤是否能可靠地恢复 DNN 预测解的可行性？
• RQ4 损失函数中预测精度与约束违反惩罚之间的最优平衡是什么？
• RQ5 在不同系统条件下，DeepOPF 与传统求解器（如 Gurobi）在性能与速度上的对比如何？

主要发现

• 在典型运行条件下，DeepOPF 在 IEEE 测试系统上实现小于 0.2% 的最优性损失。
• 与 Gurobi 求解器相比，该方法将计算时间减少了两个数量级（最高达 100 倍加速）。
• 通过 ℓ₁ 投影，DeepOPF 在所有测试案例中均实现 100% 的可行性，即使原始预测违反约束。
• 更大的 DNN 可降低最优性损失，但也会减少加速比，表明精度与效率之间存在权衡。
• 训练数据量具有显著影响：将样本数从 10,000 增加到 30,000 可降低最优性损失，尤其在阻塞运行条件下更为明显。
• 损失函数中的权重因子 w₂ 显著提升了后处理前的可行性；当设置 w₁=10、w₂=1 时，实现 <0.1% 的最优性损失与 100% 的可行性。