[论文解读] Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow to Mixed-Integer Linear Programs.

Andreas Venzke, Daniel Timon Viola+3 more|arXiv (Cornell University)|Mar 17, 2020

Power System Optimization and Stability参考文献 17被引用 12

一句话总结

本文提出一种基于神经网络的框架，将动态安全约束（如电力系统稳定性的微分方程）编码进混合整数线性规划（MILP）中，从而实现对原本难以求解的交流最优潮流（AC-OPF）问题的可扩展、成本最优求解。通过采用神经网络的精确混合整数重表述方法，该方法能准确逼近满足静态与动态安全约束（包括N-1和小信号稳定）的解。

ABSTRACT

This paper introduces a framework to capture previously intractable optimization constraints and transform them to a mixed-integer linear program, through the use of neural networks. We encode the feasible space of optimization problems characterized by both tractable and intractable constraints, e.g. differential equations, to a neural network. Leveraging an exact mixed-integer reformulation of neural networks, we solve mixed-integer linear programs that accurately approximate solutions to the originally intractable non-linear optimization problem. We apply our methods to the AC optimal power flow problem (AC-OPF), where directly including dynamic security constraints renders the AC-OPF intractable. Our proposed approach has the potential to be significantly more scalable than traditional approaches. We demonstrate our approach for power system operation considering N-1 security and small-signal stability, showing how it can efficiently obtain cost-optimal solutions which at the same time satisfy both static and dynamic security constraints.

研究动机与目标

• 解决在引入动态安全约束（如微分方程）时交流最优潮流（AC-OPF）问题的不可解性。
• 开发一种可扩展的替代方法，以应对传统方法在处理电力系统优化中非凸与非线性约束时的困难。
• 在严格满足静态与动态安全约束的前提下，实现成本最优的电力系统运行。
• 弥合非线性、动态系统模型与计算上可处理的混合整数线性规划（MILP）公式之间的差距。

提出的方法

• 将同时包含可处理与不可处理约束（如微分方程）的优化问题的可行域编码进神经网络。
• 应用神经网络的精确混合整数重表述，将问题转化为混合整数线性规划（MILP）。
• 训练神经网络以近似动态约束的解空间，如小信号稳定性和N-1预想故障准则所对应的约束。
• 由此产生的MILP公式能够高效求解嵌入动态安全约束的原始非线性、非凸AC-OPF问题。
• 该方法利用神经网络的表示能力来建模复杂、非线性的系统动态，同时保持MILP求解器的计算可处理性。

实验结果

研究问题

• RQ1 是否可以利用神经网络将复杂、难以求解的动态约束编码为与混合整数线性规划兼容的形式？
• RQ2 神经网络在多大程度上能准确近似电力系统安全约束中由微分方程定义的可行区域？
• RQ3 与直接的非线性AC-OPF方法相比，所提出的MILP重表述在解的质量和最优性方面保持程度如何？
• RQ4 该框架在满足静态与动态安全约束的前提下，是否能扩展到大型电力系统？

主要发现

• 所提出的方法使原本计算上不可行的嵌入动态安全约束的AC-OPF问题得以求解。
• 基于神经网络的编码方法准确捕捉了由动态约束（如小信号稳定性和N-1准则）定义的可行区域。
• 精确的混合整数重表述确保MILP解能紧密逼近原始非线性问题的真实最优解。
• 该框架在电力系统运行方面相比传统非线性优化方法展现出显著的可扩展性优势。