[論文レビュー] Anomaly Classification in Distribution Networks Using a Quotient Gradient System

Hamid Khodabandehlou, Iman Niazazari+2 more|arXiv (Cornell University)|May 14, 2018

Power Quality and Harmonics参考文献 28被引用数 4

ひとこと要約

本論文では、高精度なPMUデータを用いて配電網における異常を分類するため、商勾配系（QGS）で訓練された2段階部分的再帰ニューラルネットワーク（PRNN）を提案する。位相計測値を制約充足問題（CSP）に変換することで、QGSは、異常検出の精度を向上させるために強固な最適化を可能にし、PMU数、レポートレート、ノイズ、データ統合タイミングの変動に対して強く感受するシミュレーションにおいて、従来のニューラルネットワーク分類器を上回る性能を示す。

ABSTRACT

The classification of anomalies or sudden changes in power networks versus normal abrupt changes or switching actions is essential to take appropriate maintenance actions that guarantee the quality of power delivery. This issue has increased in importance and has become more complicated with the proliferation of volatile resources that introduce variability, uncertainty, and intermittency in circuit behavior that can be observed as variations in voltage and current phasors. This makes diagnostics applications more challenging. This paper proposes using quotient gradient system (QGS) to train two-stage partially recurrent neural network to improve anomaly classification rate in power distribution networks using high-fidelity data from micro-phasor measurement units (PMUs). QGS is a systematic approach to finding solutions of constraint satisfaction problems. We transform the PMUs data from the power network into a constraint satisfaction problem and use QGS to train a neural network by solving the resulting optimization problem. Simulation results show that the proposed supervised classification method can reliably distinguish between different anomalies in power distribution networks. Comparison with other neural network classifiers shows that QGS trained networks provide significantly better classification. Sensitivity analysis is performed concerning the number of PMUs, reporting rates, noise level and early versus late data stream fusion frameworks.

研究の動機と目的

• 可再生エネルギー資源の導入が進む中で、真の異常と通常のスイッチングイベントを区別する課題が増大していることに対処すること。
• 間歇的発電による電圧および電流位相の変動が生じる状況下でも、異常分類の信頼性と正確性を向上させること。
• リアルタイムPMUデータに起因する制約充足問題を処理できる、体系的なニューラルネットワークのトレーニングフレームワークを構築すること。
• PMU密度、レポート頻度、ノイズレベル、データ統合戦略の変動を想定した、さまざまな運用条件下での提案手法の頑健性を評価すること。

提案手法

• 配電網からの高精度なPMUデータを、異常検出を最適化問題として表現する制約充足問題（CSP）に変換する。
• 制約充足問題を解く体系的な手法としての商勾配系（QGS）を用い、2段階部分的再帰ニューラルネットワーク（PRNN）を訓練する。
• QGSを用いて、妥当な分類に収束するように、妥当解の多様体を走査することで、得られた最適化問題を解く。
• 時間的依存性をモデル化し、電力系統における一時的イベントの分類を向上させるために、2段階PRNNアーキテクチャを設計する。
• 分類性能への時間的処理の影響を評価するため、早期および遅延データストリーム統合フレームワークを統合する。
• 主なシステムパラメータ（PMU数、レポートレート、ノイズレベル、統合タイミング）に対する感度分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 QGSで訓練されたニューラルネットワークは、現実世界の変動を伴う条件下でも、高い正確性で配電網における異常を信頼性高く分類できるか？
• RQ2 PMUの数が、提案されたQGSベースの手法の分類性能にどのように影響するか？
• RQ3 PMUのレポートレートおよびノイズレベルは、異常分類システムの頑健性にどのような影響を及ぼすか？
• RQ4 早期統合と遅延統合のデータストリーム統合戦略は、提案フレームワークにおける分類結果にどのように影響を及けるか？
• RQ5 QGSベースのトレーニングアプローチは、標準的なニューラルネットワークトレーニング手法と比較して、顕著に分類正確性を向上させるか？

主な発見

• QGSで訓練されたニューラルネットワークは、シミュレートされた配電網シナリオにおいて、従来のニューラルネットワーク分類器よりも顕著に高い異常分類正確性を達成する。
• 本手法は、PMU数の変動に対しても頑健な性能を示し、センサ密度が低下しても分類正確性が維持される。
• 高いPMUレポートレートは分類の信頼性を向上させ、リアルタイム監視基準に一致するサンプリング間隔で最適な性能が得られる。
• 中程度のノイズレベルに対しても、本システムは耐性を示し、現実的な測定不確実性下でも高い分類正確性を維持する。
• 遅延データストリーム統合は、分類正確性の観点で常に早期統合を上回る。これは、時間的文脈が異常検出において極めて重要であることを示唆する。
• 感度分析により、本手法の安定性および多様な運用設定への適応性が確認され、実用的導入を支援する。