[论文解读] DeepOPF-U: A Unified Deep Neural Network to Solve AC Optimal Power Flow in Multiple Networks

Liang Heng, Changhong Zhao|arXiv (Cornell University)|Sep 22, 2023

Optimal Power Flow Distribution被引用 4

一句话总结

DeepOPF-U 提出了一种统一的深度神经网络，通过弹性输入/输出层处理不同数量的母线、线路、负荷和分布式能源资源（DERs），在多个且可扩展的电网中求解交流最优潮流（AC OPF）。该方法在保持高约束满足度和泛化能力的前提下，实现接近最优的解，相比传统求解器最高提速达4,880倍，且无需重新训练。

ABSTRACT

The traditional machine learning models to solve optimal power flow (OPF) are mostly trained for a given power network and lack generalizability to today's power networks with varying topologies and growing plug-and-play distributed energy resources (DERs). In this paper, we propose DeepOPF-U, which uses one unified deep neural network (DNN) to solve alternating-current (AC) OPF problems in different power networks, including a set of power networks that is successively expanding. Specifically, we design elastic input and output layers for the vectors of given loads and OPF solutions with varying lengths in different networks. The proposed method, using a single unified DNN, can deal with different and growing numbers of buses, lines, loads, and DERs. Simulations of IEEE 57/118/300-bus test systems and a network growing from 73 to 118 buses verify the improved performance of DeepOPF-U compared to existing DNN-based solution methods.

研究动机与目标

• 解决现有基于DNN的OPF模型在新网络拓扑下缺乏泛化能力的问题，避免为每个新网络拓扑重新训练模型。
• 实现单一深度神经网络在具有不同拓扑和规模的多个电网中求解AC OPF问题。
• 在无需重新训练的情况下，支持在扩展电网中即插即用新增母线、线路、负荷和DERs。
• 在多样化且不断演化的电力系统配置中，保持高解的质量和计算效率。

提出的方法

• 设计具有即插即用神经元的弹性输入与输出层，动态处理不同电网中负载向量与解向量长度的变化。
• 引入增量式训练流程，无需完整重训即可顺序更新统一DNN的权重，以适应新网络或扩展网络。
• 使用单一统一的DNN学习多个电网之间的从负荷到解的映射关系，包括从73母线扩展到118母线的电网。
• 将电网拓扑和导纳数据编码到输入表示中，以保留结构信息。
• 同时在多个电网的数据上联合训练统一DNN，实现对拓扑差异的泛化能力。
• 采用损失函数，最小化预测值与真实OPF目标值之间的差距，同时强制满足约束条件。

实验结果

研究问题

• RQ1 单一深度神经网络是否能泛化到具有不同拓扑和规模的多个电网？
• RQ2 统一DNN在处理母线、线路、负荷和DERs数量不同的电网时，其解的质量表现如何？
• RQ3 统一DNN在无需重新训练的情况下，对网络扩展的适应能力有多强？
• RQ4 与现有基于DNN的OPF方法相比，统一DNN在精度、约束满足度和提速方面表现如何？
• RQ5 在多电网AC OPF求解中，模型泛化能力与计算效率之间存在何种权衡？

主要发现

• 在IEEE 2,000母线系统上，DeepOPF-U相比MIPS求解器实现了平均4,880倍的加速，显著优于DACOPF（×184）和EACOPF（×373）。
• 该方法保持了近乎完美的约束满足度：母线电压幅值和支路潮流限制的满足率为100%，有功/无功出力限制的满足率超过99.7%。
• DeepOPF-U预测值与MIPS求解结果之间的目标值差距仅为0.23%，表明解的精度极高。
• 与需要为每个馈线单独训练DNN的DeepOPF-V相比，DeepOPF-U的存储需求减少了44%，展现出更优的可扩展性。
• 在从73母线扩展到118母线的电网中，DeepOPF-U成功跟踪了随时间变化的OPF解，与真实值的偏差极小。
• 统一DNN在有功功率和无功功率方面分别实现了99.67%和99.63%的平均负荷满足率，表现出强大的负荷处理鲁棒性。