물리 임베디드 신경망을 사용한 최적 전력 조류 계산
Learning to Solve Optimal Power Flow Leveraging Physics-Embedded Neural Network
- 발행기관 서강대학교 일반대학원
- 지도교수 김홍석
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 박사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079093
- UCI I804:11029-000000079093
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
Optimal power flow (OPF) problems are critical for the efficient and reliable operation of modern power systems, especially with the growing integration of renewable energy sources. Traditional methods for solving OPF are often computationally expensive due to their non-linear and large-scale nature. In this regard, we propose neural network-based methods to address these challenges for both DC- and AC-OPF problems. For DC-OPF, we introduce the Projection-Aware Deep Neural Network (PA- DNN), which incorporates a projection layer to ensure that the neural network’s output adheres to physical constraints. The proposed method guarantees no constraint violations for both given and unseen data and achieves near-zero optimality gaps with significantly reduced training data. PA-DNN also demonstrates faster convergence on training data compared to post-processing approaches and shows superior performance across different power networks. For AC-OPF, we propose the Deep Lagrange Dual with Equation Embedding (DeepLDE). We embed equality constraints directly into the neural network of DeepLDE and employ a primal-dual approach to impose inequality constraints. By doing so, DeepLDE solves non-convex AC-OPF problems without requiring pre-solved labels, significantly reducing computation time while ensuring feasible solutions. Evaluation on IEEE bus systems shows that DeepLDE outperforms existing neural network-based methods in terms of feasibility, optimality, and computational efficiency. Based on the proposed PA-DNN and DeepLDE, this dissertation enables more efficient real-time power system optimization compared to existing OPF solvers. Additionally, these methods will be highly beneficial for the transition to future smart grids by quickly and accurately calculating OPF in various situations in power systems.
more초록 (요약문)
최적 조류 계산(Optimal Power Flow, OPF) 문제는 재생에너지의 유입이 증가 함에 따라 현대 전력시스템의 안정적이고 경제적인 운영을 위해 중요성이 커지고 있다. 그런데 OPF 문제는 대규모의 비선형 최적화 문제이므로 전통적인 OPF 솔버를 사용하여 해당 문제를 풀 경우 계산 복잡도가 크게 증가한다.이러한 문제를 해결하기 위해, 본 학위 논문에서는 신경망을 활용하여 OPF의 해를 계산하는 방법을 제안한다. 첫번째로,본 학위논문에서는 신경망을 사용하여 DC-OPF를 계산할 수 있는 Projection-Aware Deep Neural Network(PA-DNN)을 제안한다. 제안한 방법은 물 리적 제약 조건을 준수하도록 보장하는 projection 레이어를 포함하고 있으며, 학 습하지 않는 데이터 대해서도 반드시 OPF의 제약 조건 위반이 발생하지 않는다. 또한 이 방법은 학습 데이터를 크게 줄이면서도 거의 0에 가까운 최적성격차(Opti- mality Gap)를 달성하며,기존의 후처리 접근법(Post-Processing)에 비해 빠른수렴 속도를 보인다. 두 번째로, 본 학위논문에서는 AC-OPF 문제의 해를 신경망을 사용하여 계산 할 수 있는 Deep Lagrange Dual with Equation Embedding(DeepLDE) 을 제안한다. DeepLDE는 AC-OPF의 등식 제약 조건을 직접 신경망에 내장하고, 부등식 제약조건을 부과 하기 위해 학습과정에서 프라이멀-듀얼(Primal-Dual)방법을 사용한다. 이를 통해 DeepLDE는 사전에 최적화 솔버로 계산된 AC-OPF의 해가 필요하지 않는 비지도 학습으로 학습이 진행된다. 그리고 신경망을 사용하므로 AC-OPF의 계산 시간을 기존 최적화 솔버 대비 크게 줄일 수 있다. 제안한 DeepLDE를 IEEE 버스 시스템에서 시뮬레이션을 한 결과, 기존의 신경망 기반 방법에 비해 제약 조건 만족도(Feasibility), 최적성(Optimality), 계산 효율성 측면 (Computational Efficiency)에서 우수한 성능을 보였다. 본 학위 논문에서 제안한 PA-DNN과 DeepLDE를 바탕으로 기존의 OPF 솔버 보다 효율적으로 실시간 전력시스템 최적화를 가능하게 한다. 또한 전력망의 다양한 상황에서도 빠르고 정확하게 OPF를 계산하여 미래 스마트 그리드로의 전환에 큰 도움이 될 것이다.
more목차
I . Introduction 1
1.1 PA-DNN for DC Optimal Power Flow 2
1.2 Unsupervised DeepLDE for AC Optimal Power Flow 5
1.3 Contribution 9
II . Projection-aware Deep Neural Network for DC Optimal Power Flow 12
2.1 Proposed Methodology 12
2.2 Evaluation Metrics 17
III . Unsupervised Deep Lagrange Dual with Equation Embedding for AC Optimal Power Flow 26
3.1 Proposed Methodology 26
3.2 Methodology 27
IV . Conclusion 57
Appendix 59
4.1 Proof of Proposition 59
4.2 Proof of Proposition 60
4.3 Proof of Corollary 1 61
4.4 Hyperparameter selection 61
References 63
