Evolutionary Learning Based Optimization for Solving Non-convex Optimal Power Flow Problems: A Modern Teaching–Learning-Based Optimization Algorithm

電気グリッドは、照明のスイッチが入れられた瞬間に供給と需要を均衡させなければならない、広大で繊細な機械です。このシステムを安全かつ安価に稼働させ続けるには、「最適潮流計算（optimal power flow）」として知られる複雑なパズルを解かなければなりません。エンジニアは、各発電所がどれだけの電力を生成すべきか、送電線にどの程度の電圧を維持すべきか、そして変圧器をどのように調整すべきかを決定しなければなりませんが、それらはすべて、システムが自らの重みによって崩壊しないように配慮した上で行われます。課題は、発電コストが単純な直線にはなりにくいことです。それは、燃料を燃焼させる物理的な現実や機器の機械的な限界によって引き起こされる、凹凸や谷のある、ぎざぎざとした不均一な景観のようなものです。伝統的な数学的手法は、この荒れた地形をナビゲートすることに苦戦することが多く、局所的な窪みに陥ってしまい、システムが最も効率的に動作する真の最低地点を見逃してしまうことがあります。

この困難な景観をナビゲートするために、研究者たちは自然や人間の行動に触発された手法へと目を向けました。その一つである「ティーチング・ラーニング・ベースド・オプティマイゼーション（teaching-learning-based optimization）」は、教師が知識を共有して生徒の平均スコアを上げ、生徒同士が互いに学び合う教室を模倣したものです。このアプローチは強力ではありますが、時として、より良い解を見つける前に、あまりにも早く妥協した解に落ち着いてしまうことがあります。最近の研究において、ヨルダン、イラク、イランの研究チームは、「エボリューショナリー・ラーニング・ベースド・オプティマイゼーション（evolutionary learning based optimization）」と呼ばれる、より堅牢な新しいアルゴリズムを提案しました。彼らは教室のモデルを採用しつつ、そこに「進化戦略」という層を加えました。これは、探索を活発に保ち、システムが停滞することを防ぐために、ランダムで計算された突然変異を導入するテクニックです。教室での構造化された学習と、進化による適応的なランダム性を融合させることで、彼らは、問題がねじれ、非平滑であっても、電力グリッドの絶対的な最適設定を見つけ出すように設計されたツールを作り上げました。

研究者たちは、この新しいアルゴリズムを、難解で欺瞞的な性質を持つ「CEC2014ベンチマーク」として知られる一連の標準的な数学的課題を用いてテストしました。これらのシミュレーションにおいて、この新手法は、元の教室ベースのアルゴリズムや他の人気のある最適化手法を一貫して上回りました。この手法は、より優れた解をより速く、より高い安定性をもって発見し、進化ステップの追加が、システムが局所的な罠から脱出し、探索空間全体をより徹底的に探索するのに役立つことを証明しました。チームはその後、このツールを実際の電力グリッドモデル、具体的には小規模および中規模の電気システムを表すIEEE 30バスおよび57バス・テストネットワークに適用しました。彼らは、このアルゴリズムに対して、燃料コストの削減、有害な排出物の低減、送電中の熱としての電力損失の最小化、および電圧レベルの維持という、いくつかの重要な問題を同時に解決するよう求めました。

30バス・ネットワークで行われたあらゆるシナリオにおいて、この新しいアルゴリズムは優れた結果をもたらしました。燃料コストを最小化する課題では、従来のティーチング・ラーニング法や他の確立されたアルゴリズムが到達できる数値よりも低い、1時間あたり800.4791ドルというコストを達成しました。問題がより複雑になり、複数の種類の燃料源が含まれたり、コストと排出量のバランスを取る必要が生じたりした場合でも、この新手法は引き続き最も効率的な設定を見つけ出しました。例えば、燃料コストと電力損失の両方を同時に削減することを目標としたテストでは、このアルゴリズムはシステムの安定性を維持しながら、節約を実現する解を見つけ出しました。研究者たちはまた、7つの発電機を含み、変数が大幅に多い、より大規模な57バス・ネットワークに対してもこのアルゴリズムをテストしました。論文には、この大規模なネットワークにおける最適解が得られ、過去の記事と比較されたことが示されていますが、提供されたテキストには57バスの燃料コストに関する具体的な数値結果は含まれていません。

この研究は、アルゴリズムが時間の経過とともにどのように振る舞うかについても調査しました。シミュレーションにおいて、この新手法は誤差の緩やかで急速な減少を示しました。これは、良好な解を迅速に見つけ出し、その後、それらを完璧に近いレベルまで洗練させたことを意味します。激しく変動したり、最良の答えに到達する前に停滞したりする可能性のある他の手法とは異なり、このアルゴリズムは最適値に向かって一貫した経路を維持しました。研究者たちは、結果が単なる偶然の幸運ではないことを確実にするため、各問題に対してシミュレーションを30回実行することで、これらの知見を検証しました。データは、この新しいアプローチがより正確であるだけでなく、より信頼性が高く、電力グリッドの変数に対する最適な設定を一貫して見つけ出せることを示しました。

教室の社会的学習と進化による突然変異の力を組み合わせることで、研究者たちは、既存の多くの手法よりも電力システムの複雑で非線形な現実をうまく扱うツールを作り上げました。この研究は、新しい可能性の探索と、既知の良好な解の洗練とのバランスを慎重に取ることで、エンジニアが電気グリッドをより安価かつクリーンに運用する方法を見つけられることを示しています。結果は、このハイブリッドなアプローチが、問題の数学的な粗さの中で迷うことなく、コスト、効率、および環境への影響という複雑なトレードオフをナビゲートする手段を提供し、将来の電力システム計画において貴重な資産となり得ることを示唆しています。