[论文解读] High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow

Minas Chatzos, Ferdinando Fioretto+2 more|arXiv (Cornell University)|Jun 29, 2020

Optimal Power Flow Distribution参考文献 28被引用 42

一句话总结

本文提出 OPF-DNN，将深度神经网络与拉格朗日对偶结合，在大规模输电系统（最多3400个母线）上提供高保真、毫秒级的 AC-OPF 近似，发电机成本接近最优且约束满足情况良好。

ABSTRACT

The AC Optimal Power Flow (AC-OPF) is a key building block in many power system applications. It determines generator setpoints at minimal cost that meet the power demands while satisfying the underlying physical and operational constraints. It is non-convex and NP-hard, and computationally challenging for large-scale power systems. Motivated by the increased stochasticity in generation schedules and increasing penetration of renewable sources, this paper explores a deep learning approach to deliver highly efficient and accurate approximations to the AC-OPF. In particular, the paper proposes an integration of deep neural networks and Lagrangian duality to capture the physical and operational constraints. The resulting model, called OPF-DNN, is evaluated on real case studies from the French transmission system, with up to 3,400 buses and 4,500 lines. Computational results show that OPF-DNN produces highly accurate AC-OPF approximations whose costs are within 0.01% of optimality. OPF-DNN generates, in milliseconds, solutions that capture the problem constraints with high fidelity.

研究动机与目标

• 将 AC-OPF 定位为非凸 NP-hard 问题并应对发电过程日益增加的随机性。
• 开发基于学习的代理（OPF-DNN），在遵守物理约束的同时输出 AC-OPF 的设定点。
• 在大型真实网络（最多 3400 个母线，4500 条线路）上展示高保真度和可扩展性。
• 在 DNN 框架中通过基于违规的拉格朗日松弛整合约束处理。

提出的方法

• 将 AC-OPF 学习任务建模为约束的经验风险最小化问题。
• 预测电压幅值、相角和发电机有功/无功功率；通过欧姆定律推断线路潮流以符合网络物理规律。
• 使用基于违规的拉格朗日松弛将 OPF 约束并入训练损失，并通过拉格朗日对偶优化更新乘子。
• 采用四分支全连接 DNN 架构，每个分支分别预测 v、theta、p^g、q^g；损失包含约束项（L_c）和目标项（L_o）。
• 在 GPU 上使用 Adam 进行训练，并定期更新乘子以求解拉格朗日对偶（算法1）。
• 在大型法国系统仿真网络上评估，展示毫秒级预测时间和接近 AC-OPF 最优成本。

实验结果

研究问题

• RQ1 基于 DNN 的模型是否能够在高保真度地同时满足物理约束的前提下，对大型电力系统的 AC-OPF 解进行近似？
• RQ2 基于违规的拉格朗日松弛在训练和预测阶段使学习模型满足 AC-OPF 约束的效果如何？
• RQ3 在扩展到包含数千个母线的网络时，预测速度与解的最优性/可行性之间的权衡如何？
• RQ4 在真实世界大型网络（最大约 3400 个母线）上，OPF-DNN 在准确性、可行性和计算资源方面的表现如何？

主要发现

• OPF-DNN 在大规模 AC-OPF 实例中实现了毫秒级预测时间。
• 该方法产生的 AC-OPF 目标值非常接近真实最优值，实验中成本差异相对基线近似 AC-OPF 最小。
• 使用所提出方法的约束满足度很高，大多数约束接近 100% 满足，其余约束的平均违约很小。
• 通过预测电压并结合欧姆定律得到的间接潮流预测提高了线路潮流的准确性，有助于满足 AC-OPF 约束。
• 与无约束基线相比，基于违规感知的训练（OPF-DNN）收敛更可靠，在大规模网络上实现更好的可行性和目标性能。
• 在法国系统规模网络（最高 3,411 个母线，4,499 条线路）上的训练展示了可扩展性和实际适用性。