[論文レビュー] A Learning-to-Infer Method for Real-Time Power Grid Topology Identification.

Yue Zhao, Jianshu Chen+1 more|arXiv (Cornell University)|Oct 21, 2017

Power System Optimization and Stability被引用数 9

ひとこと要約

本稿では、変分推論と識別的学習を用いて、リアルタイムでの電力系統のトポロジー同定のための「学習による推論」手法を提案する。モンテカルロ潮流シミュレーションを用いて大規模な合成訓練データを生成することで、単純なモデルおよび限られたデータでも高い精度を達成する効率的な分類器を訓練する。本手法は、IEEE 30、118、300 バス系統において優れた性能を示している。

ABSTRACT

Identifying arbitrary topologies of power networks in real time is a computationally hard problem due to the number of hypotheses that grows exponentially with the network size. A new variational inference method is developed for efficient inference of every line status in the network. Optimizing the variational model is transformed to and solved as a discriminative learning problem based on Monte Carlo samples generated with power flow simulations. A major advantage of the developed Learning-to-Infer method is that the labeled data used for training can be generated in an arbitrarily large amount fast and at very little cost. As a result, the power of offline training is fully exploited to learn very complex classifiers for effective real-time topology identification. The proposed methods are evaluated in the IEEE 30, 118 and 300 bus systems. Excellent performance in identifying arbitrary power network topologies in real time is achieved even with relatively simple variational models and a reasonably small amount of data.

研究の動機と目的

• ネットワーク構成の組み合わせが指数関数的に増加するため、リアルタイムでの電力系統のトポロジー同定が計算的に不切実になる問題に対処すること。
• 高価な実世界の測定に依存するのを減らすために、大規模な合成データ生成を可能にする。
• オフライン学習を活用して高速かつ正確なリアルタイムトポロジー同定を実現するスケーラブルな推論フレームワークを開発すること。
• IEEE 30、118、300 バス系統を含む、さまざまなネットワークサイズにおける手法の頑健性と精度を評価すること。

提案手法

• 電力系統内の各送電線の状態を推定するために、変分推定モデルを定式化する。
• 潮流シミュレーションからのモンテカルロサンプルを用いて、変分モデルの最適化を識別的学習問題に変換する。
• シミュレーションベースのサンプリングにより、低コストで迅速にラベル付き訓練データを生成し、大規模なデータ合成を可能にする。
• 本手法は、この合成データを用いてオフラインで複雑な分類器を訓練し、リアルタイム推論を効率的に行う。
• 確率的モデリングと識別的学習を組み合わせることで、精度と計算効率のバランスを図る。
• 最終的な推論システムは、新しい測定値に対して事前に訓練された分類器を活用してリアルタイムで動作する。

実験結果

リサーチクエスチョン

• RQ1 スケーラブルな学習ベース手法が、大規模電力系統において高精度なリアルタイムトポロジー同定を達成できるか？
• RQ2 潮流シミュレーションからの合成データ生成が、頑健なトポロジー分類器の訓練にどの程度効果的か？
• RQ3 限られたが大規模な合成データ上で学習された単純な変分モデルが、どの程度高い性能を達成できるか？
• RQ4 本手法は、さまざまなネットワークサイズやトポロジーにおいて、どの程度の性能を示すか？

主な発見

• 相対的に単純な変分モデルを用いても、IEEE 30、118、300 バス系統において優れたリアルタイムトポロジー同定性能を達成している。
• 合成データ生成の有効性のおかげで、比較的小さな訓練データ量でも高い精度が達成されている。
• モンテカルロサンプルを用いた合成データの使用により、大規模かつ低コストなデータ生成が可能になった。
• 識別的学習アプローチにより、オフライン学習からリアルタイム推論への知識の効果的な転送が実現された。
• 異なるネットワークサイズやトポロジーにわたり、強い一般化性能を示した。