[论文解读] Machine Learning for AC Optimal Power Flow

Neel Guha, Zhecheng Wang+2 more|arXiv (Cornell University)|Oct 19, 2019

Electric Power System Optimization参考文献 11被引用 59

一句话总结

本文提出两种用于 ACOPF 的 ML 形式：端到端预测最优发电机设定和活跃约束预测以加速求解器，在 IEEE 30-母线和 118-母线网络上进行评估。

ABSTRACT

We explore machine learning methods for AC Optimal Powerflow (ACOPF) - the task of optimizing power generation in a transmission network according while respecting physical and engineering constraints. We present two formulations of ACOPF as a machine learning problem: 1) an end-to-end prediction task where we directly predict the optimal generator settings, and 2) a constraint prediction task where we predict the set of active constraints in the optimal solution. We validate these approaches on two benchmark grids.

研究动机与目标

• 为需求增长与可再生能源变动下的电网 ACOPF 提供实时近似解的动机。
• 探索两种 ML 形式来处理 ACOPF：端到端的发电机设置预测，以及活跃约束预测以辅助暖启动。
• 评估基于 ML 的 ACOPF 解决方案在基准网格拓扑上的可行性和可靠性。

提出的方法

• 在固定网格拓扑下将 ACOPF 建模为 N 个母线、L 条支路、G 个可控发电机的问题。
• 端到端预测：训练模型将负载分布映射到最优发电机设置 (P^G, V^G) ，使用监督学习。
• 在损失函数中引入软惩罚，以鼓励符合约束的解 (P^G, Q^G, V, delta 边界)。
• 最优约束预测：训练模型预测在最优解中哪些约束是活跃的（多标签分类）。
• 通过在 IEEE 基线附近采样负载分布并使用 Matpower 解决 OPF 生成数据集；90/10 训练-测试划分；案例 30-bus 与 118-bus。
• 评估指标包括合法性比率（端到端）和平均成本偏差；约束预测通过准确率进行评估。

实验结果

研究问题

• RQ1 机器学习模型是否能够从负载分布准确预测 ACOPF 的最优发电机设置？
• RQ2 机器学习模型是否能够可靠地识别活跃约束集，以便为传统求解器提供更快的暖启动？
• RQ3 在标准 IEEE 测试网格上，ML 预测解的合法性率和成本偏差是多少？
• RQ4 模型在较小的（30 母线）和较大（118 母线）网格上的性能差异如何？

主要发现

• 端到端预测在合法网格上实现的合法性率为 0.51（case30）和 0.70（case118），平均成本偏差约为 0.002。
• 约束预测总体上实现高精度，case30 为 0.99，case118 为 0.81。
• 在合法网格上，最优成本的预测约比真实最优成本少 1% 左右。
• 最佳端到端模型随网格而异：case30 使用无约束损失的两层 tanh 网络；case118 使用三层网络、含有 512 个单元以及一个约束损失惩罚。
• 学习活跃约束集通常更容易实现，并通过为求解器暖启动提供信息来带来潜在加速。