A Multi-Stage Warm-Start Deep Learning Framework for Unit Commitment

論文概要：ユニットコミットメントのための多段階ウォームスタート深層学習フレームワーク

1. 背景と課題 (Problem)

電力系統の信頼性を維持するためには、供給と需要の瞬時のバランスが不可欠です。系統運用者は「ユニットコミットメント（UC）」というタスクを通じて、発電機の起動・停止シーケンスを決定します。

• 課題: UC は、物理的制約（起動/停止時間、ラミング制約など）に厳密に縛られた大規模な混合整数線形計画（MILP）問題であり、NP 困難問題です。
• 現状のボトルネック: 再生可能エネルギー（太陽光・風力）の導入や長期間のエネルギー貯蔵の増加により、UC はより長い時間軸（24 時間から 72 時間以上）で、かつより頻繁に解く必要が生じています。従来の MILP ソルバーは、これらの厳格な時間制限内で解を計算することに困難をきたしています。
• 機械学習の限界: 機械学習（ML）による高速化が期待されていますが、高次元空間での統計的な予測誤差は、物理的に実行不可能な（feasibility が保たれない）結果を招きやすく、そのままでは運用できません。

2. 提案手法 (Methodology)

本研究は、Transformer アーキテクチャを活用し、物理的制約を満たす実行可能な解を効率的に導出するための3 段階のフレームワークを提案しています。

• 第 1 段階：深層学習モデルによる予測（Transformer）

  • アーキテクチャ: 72 時間の計画期間にわたる発電機のコミットメントスケジュールを予測するために、Transformer ベースのモデルを採用。
  • 特徴: マルチヘッド・セルフアテンション機構を用いて、長時間の時間的依存関係（ラミング制約や最小稼働/停止時間など）を明示的にモデル化。
  • 位置エンベディング: 正弦波ではなく「ゼロ初期化された学習可能な位置エンベディング」を使用し、系統負荷や再生可能エネルギーの周期的な構造をモデルが自ら学習できるように設計。
  • 学習目的: 過不足なく発電機をコミットするよう、過コミット（経済的ペナルティ）と過少コミット（物理的違反）に対して異なる重み付け（クラス重み）を施したバイナリ交差エントロピー損失を使用。

• 第 2 段階：決定論的ポストプロセッシング（Feasibility Restoration）

  • 生予測値は物理制約を満たさないため、3 つの決定論的アルゴリズムで修正します。
    1. 外科的修復 (Surgical repair): 最小稼働時間・最小停止時間の制約を満たすよう、発電機のオン/オフブロックを調整。
    2. 経済的修復 (Economic generator repairs): 経済的ディスパッチ（LP）を活用し、過剰な稼働容量を最小コストの発電機から順にオフにすることでコストを削減。
    3. ヘッド/テールトリム (Head/tail trim): 経済的ディスパッチの結果に基づき、発電機が過剰に稼働している開始・終了時間を切り詰め、利用率の低い時間を削除。

• 第 3 段階：ウォームスタートと変数固定（MILP ソルバー）

  • 修正された予測値を、下流の MILP ソルバーへのウォームスタートとして提供。
  • 信頼度ベースの変数固定: 予測確率が閾値を超えた変数（発電機のオン/オフ状態）を固定し、ソルバーの探索空間を大幅に削減。これにより、ソルバーは最も曖昧な決定のみを計算すればよくなり、計算時間が劇的に短縮されます。

3. 主要な貢献 (Key Contributions)

1. 時間的結合のための自己アテンション: 多日先の時間軸におけるグリッドの長距離依存関係と高次元相互作用を明示的にモデル化する新しいアーキテクチャの導入。
2. 多段階の実行可能性パイプライン: 最小稼働/停止時間の制約強制、過剰容量の最小化、発電機利用率の最適化を行う 3 つの決定論的ポストプロセッシングアルゴリズムの提案。
3. 信頼度ベースの探索空間削減: 予測の信頼度に基づいて変数を固定する戦略により、MILP ソルバーの組み合わせ次元を削減し、計算速度を向上。
4. オープンソース化: データ、データ生成パイプライン、および提案手法のソースコードの公開。

4. 実験結果 (Results)

EPRI が主催した「AI-ccelerating Unit Commitment」コンペティション（アイルランド系統を模した単一バスシステム、51 台の熱力発電機など）のデータセット（2620 件、拡張後 42 万件以上）を用いて検証されました。

• 実行可能性 (Feasibility): 提案する完全なパイプライン（M6 モデル）は、テストケースの**100%**で物理的に実行可能な解を達成しました（生予測のみでは 31.6% しか実行不可能でした）。
• 計算時間: 従来の MILP ソルバー（HiGHS）と比較して、計算時間は劇的に短縮されました（時間比率が約 1.5% 程度）。
• 最適性 (Optimality):
  • 提案モデルは、ソルバー単独で解いた場合よりも低いシステムコストを達成するケースが**約 20%**存在しました。
  • 全体的に、ソルバーの最適性ギャップ（MIP gap 0.25%）内で、同等かそれ以上のコスト性能を示しました。
• モデル比較: Transformer モデルは、LSTM や単純なニューラルネットワーク（NN）よりも推論時間は遅いものの、初期予測の精度が高く、ポストプロセッシングと組み合わせることで、最終的な解の最適性が最も高い結果となりました。

5. 意義と結論 (Significance)

• 実用性の向上: 機械学習の「速度」と MILP の「厳密性/実行可能性」の両立を実現しました。特に、予測をウォームスタートとして利用し、かつ変数を固定することで、計算ボトルネックを解消しつつ、高品質な解を得るアプローチは画期的です。
• 将来展望: 現在は需要・再生可能エネルギーの予測が完全であるという仮定（銅板モデル）に基づいていますが、将来の予測不確実性を組み込んだり、送電制約を含む複雑なネットワークへ適用したりする研究が期待されます。

この研究は、変動性の高い再生可能エネルギー時代において、系統運用者が直面する計算負荷の増大に対し、深層学習と伝統的な最適化手法を融合させることで実用的な解決策を提供する重要なステップと言えます。