Rethinking Neural Width for Alternating Current Optimal Power Flow Proxies

Technische Samenvatting: Het heroverwegen van neurale breedte voor Alternating Current Optimal Power Flow-proxies

Probleemstelling
Deep learning-proxies voor Alternating Current Optimal Power Flow (ACOPF) worden steeds vaker gebruikt om snelle, benaderende oplossingen te bieden voor netwerkdistributie en contingentie-screening. De huidige methodologieën missen echter een systematische aanpak voor het bepalen van de noodzakelijke architecturale omvang van deze netwerken. De heersende trend leunt op "over-parameterisatie"—het schalen van de breedte en diepte van het model om de nauwkeurigheid te verbeteren. Hoewel dit effectief is in datarijke omgevingen, creëert deze aanpak aanzienlijke nadelen voor elektriciteitsnetten: grote, ondoorzichtige Deep Neural Networks (DNN's) zijn intensief qua middelen voor implementatie aan de rand van het netwerk (edge deployment) en, cruciaal, zijn ze moeilijk formeel te verifiëren. In veiligheidskritische netwerkoperaties vormt het onvermogen om de naleving van fysieke limieten door een model te verifiëren een risico voor de netbeveiliging. Bestaande literatuur laat een grote variabiliteit zien in de breedte van de lagen voor hetzelfde systeem (bijv. IEEE-118), waarbij sommige modellen meer dan 1.000 neuronen per laag gebruiken, wat vragen oproept over de noodzaak van dergelijke capaciteit.

Methodologie: Loss-Guided Neural Densification (LG-ND)
Om het gebrek aan systematische dimensionering aan te pakken, stellen de auteurs een constructief gedachte-experiment voor: het bepalen van de minimale neurale netwerkbreedte die nodig is om de ACOPF-manifold accuraat te benaderen. Zij introduceren het Loss-Guided Neural Densification (LG-ND) algoritme, dat het standaard ontwerpproces omdraait. In plaats van te beginnen met een groot model en dit te snoeien (pruning), begint LG-ND met een minimale, opzettelijk onder-geparameteriseerde architectuur en breidt de capaciteit stapsgewijs uit wanneer dat noodzakelijk is.

Het algoritme werkt als volgt:

1. Initialisatie: De proxy $f_\phi$ wordt geïnitialiseerd met een minimale capaciteit (bijv. kleine verborgen lagen).
2. Training & Evaluatie: Het model wordt getraind tot convergentie met behulp van Mean Squared Error (MSE) loss op last-oplossingsparen gegenereerd door een numerieke ACOPF-solver.
3. Densificatie-logica: De validatieverlies ($L$) dient als de metriek voor het vermogen van het model om de niet-convexe ACOPF-manifold te vatten en fysieke beperkingen te voldoen.
   • Als het huidige validatieverlies verbetert ($L < L^\star$), wordt de modelstatus opgeslagen en worden de verborgen lagen uitgebreid met een vaste stapgrootte ($\Delta = 10$ neuronen).
   • Als het verlies niet verbetert ($L \ge L^\star$), wordt het densificatieproces gestopt en wordt het huidige model geretourneerd als de minimale voldoende architectuur.
4. Haalbaarheidsanalyse: Om de afweging tussen optimaliteit en strikte fysieke haalbaarheid te bestuderen, evalueren de auteurs ook een "geclipped" variant van het model. Tijdens de inferentie wordt een coördinaat-voor-coördinaat clipping-operator toegepast op begrensde uitvoervariabelen (spanningsamplitudes, generator-instellingen) om operationele limieten af te dwingen ($y^{min} \le y \le y^{max}$).

Belangrijkste Bijdragen

• Constructief Dimensioneringskader: Het artikel frameert modelcapaciteit niet als een statische hyperparameter, maar als een dynamische variabele afhankelijk van de complexiteit van de netfysica, waarbij LG-ND wordt gebruikt om de "minimale voldoende breedte" te ontdekken.
• Architecturale Minimalisme: De studie toont aan dat hoogwaardige ACOPF-benadering geen massieve over-parameterisatie vereist.
• Enabler voor Formele Verificatie: Door de netwerkbreedte te beperken tot de strikte fysieke noodzaak (het reduceren van neuronen van typische waarden van >512 naar ~50), worden de resulterende compacte architecturen computationeel hanteerbaar voor formele veiligheidsverificatietools (bijv. $\alpha,\beta$-CROWN), die vertrouwen op branch-and-bound-methoden die agressief schalen met de breedte.

Empirische Resultaten
Het LG-ND-framework werd geëvalueerd op IEEE 57-bus en 118-bus systemen, waarbij de adaptieve "lean" modellen werden vergeleken met standaard baselines (Naïve MSE, Naïve MAE, en Penalty-gebaseerde methoden) met vaste, grote breedtes (472 neuronen per laag).

• Prestatiegelijkwaardigheid met Verminderde Capaciteit: Op het IEEE-118 systeem bereikte het LG-ND-model een verborgen laaggrootte van slechts 50 neuronen (2 lagen), wat in totaal ~32k parameters betekent. Dit is ongeveer 10 keer minder neuronen per laag en 15,5 keer lagere inferentiecomplexiteit (in termen van parameters/FLOPs) vergeleken met de 472-neuronen baselines.
• Superieure Nauwkeurigheid en Haalbaarheid:
  • Optimaliteitskloof (Gap%): Het LG-ND-model bereikte een Gap% van 0,0517%, wat de Naïve MSE-baseline (0,5474%) en penalty-gebaseerde methoden (tot 1,90%) aanzienlijk verslaat.
  • Beperkingsnaleving: Het LG-ND-model vertoonde een Mean Equality residual van 0,0485 p.u., bijna vijf keer beter dan de Naïve MSE-baseline (0,2152 p.u.).
  • Clipped Prestaties: Bij het toepassen van constraint clipping behield het LG-ND-model een lage Gap% (0,0691%) terwijl het een Mean Equality residual van 0,0399 p.u. bereikte en nul mean inequality violations vertoonde. In tegen tegenstelling hiertoe moesten bredere baseline-modellen vaak clipping gebruiken om grote onhaalbaarheden te corrigeren, wat resulteerde in gedegradeerde gelijkheid-consistentie of grotere optimaliteitskloven.
• Robuustheid: Analyse op het IEEE-57 systeem toonde aan dat naarmate het aantal trainingssamples toenam, het adaptieve model convergeerde naar een stabiele "lean" architectuur (40–140 totale neuronen), waarbij fysieke residuen (real vermogen/reactief vermogen en spanning) scherp afnamen, wat de succesvolle resolutie van de niet-lineaire power flow bevestigt.

Betekenis en Claims
Het artikel claimt dat het voorgestelde architecturale minimalisme cruciaal is voor de formele verificatie die vereist is in veiligheidskritische netwerkoperaties. Door te bewijzen dat ACOPF-proxies een hoge prestatie kunnen behouden met tot tien keer minder neuronen dan de huidige literatuur-baselines, verwijdert dit werk een primaire barrière voor netwerkimplementatie: de onhandelbaarheid van het verifiëren van massieve "black box" netwerken. De auteurs stellen dat het reduceren van de breedte tot de strikte fysieke noodzaak van het systeem ervoor zorgt dat de proxy geschikt blijft voor rigoureuze veiligheidscontroles (zoals die van $\alpha,\beta$-CROWN), waardoor de veilige integratie van ML-gebaseerde surrogaten in real-time netwerkcontrolelussen mogelijk wordt. De studie concludeert dat massieve over-parameterisatie niet nodig is voor een nauwkeurige ACOPF-benadering en dat lean, verifieerbare modellen inherent betrouwbaarder zijn voor kritieke infrastructuur.