[論文レビュー] A Review of Neural Network Based Machine Learning Approaches for Rotor Angle Stability Control

Reza Yousefian, Sukumar Kamalasadan|arXiv (Cornell University)|Jan 5, 2017

Power System Optimization and StabilityEngineering参考文献 80被引用数 21

ひとこと要約

この論文は、現代の電力系統におけるローター角安定性制御のためのニューラルネットワークベースの機械学習手法、特に強化学習（RL）と教師あり学習（SL）のレビューを行っている。広域監視および制御、瞬時安定性評価、再生可能エネルギー統合におけるその有効性を評価し、非線形性や不確実性を扱う際に、RLおよびSL手法が古典的制御器を上回ることを示している。

ABSTRACT

This paper reviews the current status and challenges of Neural Networks (NNs) based machine learning approaches for modern power grid stability control including their design and implementation methodologies. NNs are widely accepted as Artificial Intelligence (AI) approaches offering an alternative way to control complex and ill-defined problems. In this paper various application of NNs for power system rotor angle stabilization and control problem is discussed. The main focus of this paper is on the use of Reinforcement Learning (RL) and Supervised Learning (SL) algorithms in power system wide-area control (WAC). Generally, these algorithms due to their capability in modeling nonlinearities and uncertainties are used for transient classification, neuro-control, wide-area monitoring and control, renewable energy management and control, and so on. The works of researchers in the field of conventional and renewable energy systems are reported and categorized. Paper concludes by presenting, comparing and evaluating various learning techniques and infrastructure configurations based on efficiency.

研究の動機と目的

• 現代の電力系統におけるローター角安定性制御のためのニューラルネットワークベースの機械学習技術の現状を評価すること。
• 教師あり学習（SL）および強化学習（RL）の広域制御（WAC）および瞬時安定性評価への応用を分析すること。
• 非線形性、不確実性、時間変動ダイナミクスを扱う際のAIベースの制御器と古典的制御手法の性能を比較すること。
• リアルタイム電力系統応用における学習ベースの制御器の実装上の課題と信頼性上の懸念を検討すること。
• ニューラルネットワークが再生可能エネルギー統合システムにおける電圧制御および電力振動制御に果たす役割を評価すること。

提案手法

• 本論文は、深層ニューラルネットワークおよび径路基底関数ネットワーク（RBFNN）を含むさまざまなニューラルネットワークアーキテクチャが電力系統ダイナミクスに応用された例をレビューしている。
• 教師あり学習（SL）手法は、ラベル付きの入出力データを用いてマイクログリッドおよび再生可能エネルギー統合におけるシステムモデル化、制御、予測のための分析が行われている。
• 適応的ダイナミックプログラミング（ADP）およびヒューリスティック・ダイナミックプログラミング（HDP）を含む強化学習（RL）技術は、システムとの相互作用を通じて最適制御方策の学習を評価している。
• 適応的クリティック設計（ACD）およびニューラルネットワークベースの制御器は、広域監視および制御（WAM）における応用、特に相互領域振動の減衰に焦点を当てて検討されている。
• 本論文は、一時的安定性評価におけるニューラルネットワークの使用を評価しており、同調する領域のクラスタリングおよび故障後のシステム挙動の分類を含む。
• 計算効率、正確性、リアルタイム実装可能性に基づいて、異なるインfra構成と学習手法の比較が行われている。

実験結果

リサーチクエスチョン

• RQ1 強化学習および教師あり学習アルゴリズムは、大規模電力系統におけるローター角安定性の向上にどの程度効果的か？
• RQ2 高再生可能エネルギー統合電力系統における広域制御（WAC）にニューラルネットワークを用いる際の主な利点と制限は何か？
• RQ3 AIベースの制御器は、電力系統ダイナミクスにおける非線形性と不確実性を扱う際、古典的制御手法と比べてどのように異なるか？
• RQ4 リアルタイム電力系統応用における学習ベースの制御器の展開における主な課題は何か？
• RQ5 ニューラルネットワークは、複数の事故状態を伴う電力系統における一時的安定性評価および制御をどの程度向上できるか？

主な発見

• 特に強化学習（RL）を用いたニューラルネットワークベースの制御器は、相互領域振動の減衰および故障時の一時的安定性の向上において優れた性能を示している。
• 教師あり学習（SL）手法は非線形システムダイナミクスを効果的にモデル化できており、マイクログリッド制御、DFIGベースの風力タービン、整流器／インバータ制御への応用において、PID制御器よりも優れた動的応答を達成している。
• 適応的ダイナミックプログラミング（ADP）およびヒューリスティック・ダイナミックプログラミング（HDP）を用いたRLベースの制御器は、広域制御スキームにおいて優れた適応性と予測能力を示している。
• ニューラルネットワークは、特に再生可能エネルギー統合システムにおいて、不確実性と非線形性を扱う際に古典的制御器を上回ることが実証されている。
• 広域監視（WAM）におけるRBFNNの使用は、過渡事象時のシステム応答を改善しているが、通信遅延および複数の風力発電所の統合は依然として未解決の課題である。
• 有望な結果が得られているものの、学習ベースの制御器のヒューリスティック性と高次元性が信頼性上の懸念を引き起こしており、リアルタイム電力系統への完全な導入を制限している。