[论文解读] Towards Understanding the Unreasonable Effectiveness of Learning AC-OPF Solutions

My H. Dinh, Ferdinando Fioretto+2 more|arXiv (Cornell University)|Nov 22, 2021

Optimal Power Flow Distribution被引用 4

一句话总结

本文研究了深度神经网络（DNN）为何能准确逼近交流最优潮流（AC-OPF）解，并提出一种基于循环神经网络（RNN）的新模型，利用迭代求解器生成的解轨迹以提升预测鲁棒性并减少内存占用。与先前的DNN方法相比，该RNN模型将潮流误差和最优性间隙降低了多达100倍，同时在大规模系统上仍能实现高效扩展。

ABSTRACT

Optimal Power Flow (OPF) is a fundamental problem in power systems. It is computationally challenging and a recent line of research has proposed the use of Deep Neural Networks (DNNs) to find OPF approximations at vastly reduced runtimes when compared to those obtained by classical optimization methods. While these works show encouraging results in terms of accuracy and runtime, little is known on why these models can predict OPF solutions accurately, as well as about their robustness. This paper provides a step forward to address this knowledge gap. The paper connects the volatility of the outputs of the generators to the ability of a learning model to approximate them, it sheds light on the characteristics affecting the DNN models to learn good predictors, and it proposes a new model that exploits the observations made by this paper to produce accurate and robust OPF predictions.

研究动机与目标

• 理解尽管问题具有非凸性和非线性特征，DNN为何能以高精度逼近AC-OPF解。
• 研究影响预测鲁棒性的因素，特别是发电机输出轨迹的波动性。
• 明确OPF问题中物理与工程约束在促进或限制DNN预测性能方面的作用。
• 开发一种可扩展、鲁棒的DNN模型用于AC-OPF预测，以减少内存占用并提升约束满足度。

提出的方法

• 该方法采用深度自回归长短期记忆（LSTM）循环神经网络（RNN），对求解器迭代过程中发电机输出的序列预测进行建模。
• 每个RNN单元基于前一单元的输出和系统的负荷需求进行预测，从而实现解的逐步优化。
• 采用加权损失函数，其中时间步t的损失按√t进行加权，以强调后期时间步的重要性；同时引入拉格朗日约束损失，以促进最终预测的可行性。
• 模型在由IPOPT等非线性求解器生成的解轨迹上进行训练，这些求解器在收敛过程中提供中间解状态。
• 最终预测为最后一个RNN单元的输出，该输出被优化以最小化预测误差与约束违反。
• 该方法避免使用大型全连接层，从而实现对大规模系统（如RTE-2868，含2868个母线）的高效扩展。

实验结果

研究问题

• RQ1 为何DNN能在问题非凸性显著的情况下，仍以低误差逼近AC-OPF解？
• RQ2 发电机输出轨迹的波动性如何影响DNN对其准确预测的能力？
• RQ3 OPF问题中的物理与工程约束在多大程度上促进或限制了DNN的预测性能？
• RQ4 基于序列的深度学习模型是否能相比现有基于DNN的OPF预测器，实现更高的鲁棒性与可扩展性？

主要发现

• 本文发现，许多发电机相对于负荷表现出类似线性的行为，使其易于预测，从而显著降低了整体DNN的误差率。
• 输出轨迹高度波动的发电机难以预测，标准DNN在这些情况下表现不佳，导致鲁棒性问题。
• 所提出的RNN模型相比最佳现有DNN方法（FCC），将潮流误差和最优性间隙降低了整整一个数量级，在IEEE-118系统上达到0.007，在IEEE-300系统上达到0.04。
• RNN模型在约束满足方面表现更优，尤其在KCL（基尔霍夫电流定律）方面，该约束历来对DNN难以强制执行。
• 与全连接DNN相比，RNN模型的内存占用显著减小，使其能够扩展至大型系统（如RTE-2868，含2868个母线），而这些系统对先前的DNN模型不可行。
• 与FCC模型相比，RNN模型的参数数量减少了多个数量级，避免了大型系统中常见的内存溢出问题。