技術要約：学習増強型電力システム運用 (LAPSO)

1. 問題提起

従来の電力システム運用 (PSO) は、物理ベースのモデルと、予測、運用、制御からなる逐次的な意思決定フレームワークに依存しています。しかし、再生可能エネルギーやインバータベースのリソース (IBR) の浸透が進むにつれ、これらの伝統的なアプローチに対して、重大な不確実性と複雑なダイナミクスが課題を突きつけています。

現在のソリューションは、しばしば「サイロ化」された設計パラダイムに陥っています：

• 孤立したタスク: 予測、運用、制御が独立して設計されています。例えば、再生可能エネルギーの予測は通常、精度のみを追求しており、それが下流の運用の経済性に及ぼす連鎖的な影響を無視しています。逆に、経済性を重視した運用は、制御段階における安定性制約を軽視することがあります。
• 断絶された学習: 機械学習 (ML) モデルは、最終的にサポートすることになる最適化フレームワークから隔離された状態で訓練されています。下流の物理ベースの最適化における目的関数が ML の訓練プロセスに反映されておらず、ML の不確実性と最適化パラメータとの相互作用も不透明なままです。
• 統一されたフレームワークの欠如: データ駆動型の ML と物理ベースの最適化を体系的に統合したり、モデルの精度と運用のパフォーマンスの間のトレードオフを定量化したり、あるいは多様なソース（ブラックボックスモデル vs 未知のシステムパラメータ）からの不確実性を追跡したりするための一般的なフレームワークが存在しません。

2. 手法：LAPSO フレームワーク

本論文は、データと物理の結節点（nexus）を体系的にモデル化するために、運用段階を中心とした統一フレームワークである Learning-Augmented Power System Operations (LAPSO) を提案します。

コアとなる数学的定式化

LAPSO は、パラメータ化された ML モデルを固有の構成要素としてエンコードすることにより、基本的な電力システム運用問題 ($P_{basic}$) を再定義します。

• 基本問題 ($P_{basic}$): $\min_z f(z; y)$ s.t. $g(z; y) \le 0$。ここで、$z$ は決定変数、$y$ はパラメータ（負荷、再生可能エネルギーのプロファイルなど）です。
• LAPSO 問題 ($P_{lapso}$): 本フレームワークは、入力 $x$ と決定 $z$ に基づいてパラメータ $\hat{y}_2$ を予測する学習可能なコンポーネント $v(\cdot; \theta)$ を導入します。増強された問題は以下のように定式化されます：
  $$\min_z f(z; y_1, \hat{y}_2) + f_v(z; y_1, \hat{y}_2)$$
  $$\text{s.t. } g(z; y_1, \hat{y}_2) \le 0, \quad g_v(z; y_1, \hat{y}_2) \le \tau, \quad \hat{y}_2 = v(z, y_1, x; \theta^*)$$
  ここで、$\theta^*$ は訓練されたモデルパラメータを表します。決定的なのは、ML モデルが最適化の学習可能なコンポーネントとして扱われることであり、これは、訓練プロセスが $P_{lapso}$ の最適性、効率性、および保守性に与える影響を考慮しなければならないことを意味します。

設計原則と指標

本フレームワークは、以下の3つの次元をバランスさせる「設計の三角形（Design Triangle）」を導入しています：

1. モデリング対象: 学習すべき物理的ダイナミクスまたは指標（例：安定性指数、再生可能エネルギーのダイナミクス）。
2. ML 手法: アルゴリズムの選択（例：線形回帰、ニューラルネットワーク）。
3. PSO のクラス: 基盤となる最適化の構造（例：MILP、凸計画、非凸計画）。

トレードオフを定量化するための主要な設計指標が確立されています：

• 精度 vs 運用の影響: 予測精度と、その結果として生じる最適化の計算負荷および経済的コストのバランスを取ること。
• 最適性と保守性: 元の物理ベースの問題の解けるクラス（例：凸性を維持する）の中に、ML 増強された問題が留まることを保証すること。

代表的なアプリケーション

論文では、以下の2つの具体的なアプリケーションを通じて LAPSO を実証しています。

1. 安定性制約付き最適化 (SCO): ML モデルが運用段階における安定性評価器（制約）として機能します。本フレームワークは、過度な計算負荷や誤った保守性を避けるために、精度と最適化クラスの維持（例：凸または混合整数線形近似の使用）のバランスを取る「中程度の複雑さ」の評価器を推奨しています。
2. 目的ベースの予測 (OBF): 予測誤差（例：MSE）を最小化する代わりに、ML 予測器は下流の最適化の運用コストを最小化するように訓練されます。これは、予測器のパラメータ $\theta_h$ を最適化して、下流の運用コストから導出される損失 $\ell$ を最小化するバイレベル最適化（スタッケルベルグ・ゲーム）として定式化されます。

不確実性の定量化

LAPSO は、エンドツーエンドの不確ብ性追跡のためのベイズ的視点を提供します：

• ソース: ML 不確実性（認識論的不確実性と偶然的不確実性）と、最適化の不確実性（最適化構造の変化や予測不可能なパラメータ $y_1$）を区別します。
• 伝播: 自動微分と（KKT 条件を介した）暗関数定理を用いて、ML パラメータの不確実性が最終的な決定変数とコストにどのように伝播するかを追跡します。
• ロバスト性: 最適化パラメータの不確実性に対処するため、「待機・参照（wait-and-see）」型のロバスト定式化を提案し、列および制約生成法 (C&CG) を用いて解決します。

3. 主な貢献

1. 統一されたフレームワーク: ML を最適化問題の固有の部分として扱うことで、伝統的に分離されていたタスク（予測、運用、制御）を統一する、LAPSO という一般的な数学的定式化を提案しました。
2. 設計指標: ML モデルの性能と、基礎となる最適化への影響（効率性、最適性、保守性）の間のトレードオフを評価するための体系的な指標を導入しました。
3. 拡張性: 予測・運用・制御のループを閉じる能力と、ハイブリッドな学習・最適化タスクを扱う能力を実証しました。
4. 不確実性の追跡: データ駆動型および物理ベースの両方のソースからの不確実性を特定し、定量化するための体系的な手法を提供し、待機・参照型の不確実性に対する新しいロバスト訓練アルゴリズムを提示しました。
5. オープンソースツール: 2 つの Python パッケージを開発・公開しました：
   • pso: 時空間的な運用データを持つスケーラブルな電力システムテストベッドを生成します。
   • lapso: 既存の最適化モデル（CVXPY ベース）を学習可能なコンポーネントで自動的に増強し、必要に応じてニューラルネットワークを混合整数線形制約へと変換します。

4. 結果と検証

論文は、IEEE 14-, 39-, 57-, 118-, および 300 バスシステムを用いた数値シミュレーションを通じて、フレームワークを検証しています。

• SCO の検証: IEEE 14 バスシステムを用い、異なる ML モデルの複雑さ（例：凸 vs 非凸の評価器）が、安定性評価の精度と運用コストの間の明確なトレードオフをもたらすことを示しています。中程度の複雑さの評価器が、経済的効率を低下させる高度に複雑なものよりも優れたバランスを提供することが示されました。
• OBF の検証: 目的ベースの損失（運用コストに整合したもの）を用いて予測器を訓練することで、従来の精度駆動型の訓練と比較して、より経済的に効率的な結果が得られることを実証しています。
• スケーラビリティ: スケーラビリティ分析（付録に詳細）により、より大規模なシステム（最大 300 バス）への適用可能性を確認しています。
• 実装: lapso パッケージが、ニューラルネットワークを最適化制約に統合するプロセスを自動化し、提案された数学的変換の実現可能性を検証しました。

5. 意義と主張

本論文は、LAPSO が電力システムの意思決定を、分離された物理のみのアプローチから、統合された「データと物理の結節点」へと根本的に転換させるものであると主張しています。

• パラダイムシフト: ML を単なる動的なモデリングツールとしてではなく、最適化そのものの学習可能なコンポーネントとして捉えることで、単なる ML の活用を超えたものとしています。
• 透明性: 統一された数学的視点を提供することで、ML と物理ベースの手法の関係を透明にし、不確実性とパフォーマンスの体系的な評価を可能にします。
• 実用的な有用性: 本フレームワークは、データ駆動型の能力で強化しつつも、従来の最適化問題の構造と解ける可能性を維持するように設計されており、系統運用者にとって受け入れやすいものです。
• 将来への備え: 本フレームワークは、予測・運用・制御のクローズドループ統合を必要とする新たなパラダイムに本質的に対応しており、脱炭素化が進むグリッドの複雑化に対処します。

著者らは、本論文が SCO と OBF を代表的な例として焦点を当てているものの、LAPSO フレームワークは、最適化問題として定式化できる限り、マイクログリッドの制御やエネルギー貯蔵の裁定取引を含む、様々な電力システムタスクに広く適用可能であることを強調しています。