[论文解读] DeepOPF: Deep Neural Network for DC Optimal Power Flow

Xiang Pan, Tianyu Zhao+1 more|arXiv (Cornell University)|May 11, 2019

Optimal Power Flow Distribution参考文献 35被引用 4

一句话总结

DeepOPF 提出了一种深度神经网络（DNN）框架，通过学习负荷输入与最优调度决策之间的高维映射，来求解直流最优潮流（DC-OPF）问题。该方法在保持几乎可忽略的次优性损失的同时，相比传统求解器将计算速度提升了两个数量级，利用问题结构和均匀采样策略减少过拟合与模型复杂度。

ABSTRACT

We develop DeepOPF as a Deep Neural Network (DNN) approach for solving direct current optimal power flow (DC-OPF) problems. DeepOPF is inspired by the observation that solving DC-OPF for a given power network is equivalent to characterizing a high-dimensional mapping between the load inputs and the dispatch and transmission decisions. We construct and train a DNN model to learn such mapping, then we apply it to obtain optimized operating decisions upon arbitrary load inputs. We adopt uniform sampling to address the over-fitting problem common in generic DNN approaches. We leverage on a useful structure in DC-OPF to significantly reduce the mapping dimension, subsequently cutting down the size of our DNN model and the amount of training data/time needed. We also design a post-processing procedure to ensure the feasibility of the obtained solution. Simulation results of IEEE test cases show that DeepOPF always generates feasible solutions with negligible optimality loss, while speeding up the computing time by two orders of magnitude as compared to conventional approaches implemented in a state-of-the-art solver.

研究动机与目标

• 开发一种基于深度学习的高效且可扩展的方法，用于求解 DC-OPF 问题。
• 利用 DC-OPF 的结构特性，降低映射的维度，从而减小模型规模和训练成本。
• 通过后处理程序确保解的可行性，克服基于 DNN 的优化中常见的挑战。
• 在不牺牲解质量的前提下实现显著的计算加速，支持在电力系统运行中实现实时部署。
• 展示 DNN 在重复求解 DC-OPF 实例时替代传统凸优化求解器的可行性与准确性。

提出的方法

• 该方法将 DC-OPF 问题建模为一个高维回归问题，将负荷曲线映射到最优发电机出力和线路潮流。
• 使用均匀采样策略训练一个前馈深度神经网络，以学习该映射关系，从而减轻过拟合。
• 网络架构整合了 DC-OPF 的结构约束，以降低有效映射维度，减少模型复杂度和数据需求。
• 预处理步骤对负荷输入进行归一化，以提升训练稳定性和收敛性。
• 后处理程序对 DNN 输出进行调整，以满足物理和运行约束，确保解的可行性。
• 损失函数被设计为优先准确预测高影响变量（如大容量发电机），以最小化总成本偏差。

实验结果

研究问题

• RQ1 深度神经网络能否有效近似给定电力网络下 DC-OPF 的解映射？
• RQ2 如何利用 DC-OPF 的结构特性降低学习任务的维度，提升模型效率？
• RQ3 均匀采样能否有效防止基于 DNN 的 DC-OPF 解决方案中的过拟合？
• RQ4 与传统求解器相比，基于 DNN 的方法在解的可行性和最优性方面能保持到何种程度？
• RQ5 在 DC-OPF 背景下，模型深度如何影响预测精度和计算效率？

主要发现

• DeepOPF 在所有 IEEE 测试系统中均持续生成可行解，在仿真中未观察到任何不可行情况。
• 平均最优性损失低于 0.4%，在 IEEE 118 节点系统中最佳情况偏差仅为 +83 美元/小时（0.2%）。
• 计算时间相比最先进的凸求解器降低了两个数量级，单次解的计算时间缩短至 0.17 毫秒。
• 每轮训练时间可忽略不计（例如，300 节点系统为 19.0 秒），使得在重复使用场景下分摊训练成本可接受。
• 更深的网络（如三层隐藏层）比浅层网络精度更高，与单层模型相比，成本偏差降低 50%。
• 所有发电机的预测误差均在可接受范围内，对总成本影响极小，尤其对低出力机组影响可忽略。