[論文レビュー] Anticipating contingengies in power grids using fast neural net screening

Benjamin Donnot, Isabelle Guyon+3 more|arXiv (Cornell University)|May 3, 2018

Power System Optimization and Stability参考文献 19被引用数 9

ひとこと要約

本稿では、特にN-1およびN-2の線路断線を含む送電網の事故事象を深刻度順にランク付けする高速なニューラルネットワークスクリーニング手法を提案する。N-1事故事象のわずか一部で訓練されたモデルは、わずか3〜4回のシミュレーションでほぼ最適に近いリスク低減を達成し、現在のN-1基準と比較して計算コストを50倍以上削減しながら、危険なケースを最初に優先するため、高い安全性を維持する。

ABSTRACT

We address the problem of maintaining high voltage power transmission networks in security at all time. This requires that power flowing through all lines remain below a certain nominal thermal limit above which lines might melt, break or cause other damages. Current practices include enforcing the deterministic "N-1" reliability criterion, namely anticipating exceeding of thermal limit for any eventual single line disconnection (whatever its cause may be) by running a slow, but accurate, physical grid simulator. New conceptual frameworks are calling for a probabilistic risk based security criterion and are in need of new methods to assess the risk. To tackle this difficult assessment, we address in this paper the problem of rapidly ranking higher order contingencies including all pairs of line disconnections, to better prioritize simulations. We present a novel method based on neural networks, which ranks "N-1" and "N-2" contingencies in decreasing order of presumed severity. We demonstrate on a classical benchmark problem that the residual risk of contingencies decreases dramatically compared to considering solely all "N-1" cases, at no additional computational cost. We evaluate that our method scales up to power grids of the size of the French high voltage power grid (over 1000 power lines).

研究の動機と目的

• 送電網のセキュリティ評価における計算ボトル neck を軽減し、迅速に深刻度の高い事故事象を特定すること。
• 遅い全範囲のシミュレーションに依存するのを減らし、高リスク事象を優先するための高速なプロキシモデルを用いること。
• 決定論的N-1基準を超えて、より高い次数の事故事象（例：N-2）の効率的評価を可能にすることでリスク評価を向上させること。
• 安全が最重要視される運用状況に合わせ、危険な事故事象の検出率を高く保ちつつ誤検出を最小限に抑えること。
• フランスの超高圧送電網を含む実世界の送電網ベンチマークにおいて、手法のスケーラビリティとロバストネスを実証すること。

提案手法

• 物理的潮流シミュレータの出力を近似するためのフィードフォワードニューラルネットワークを訓練し、さまざまな事故事象下での線路の熱容量制限を予測する。
• 訓練済みネットワークを用いて、各事故事象が熱容量制限にどれほど近づくかを評価し、深刻度の代理指標としてスコアを付与する。
• 予測された深刻度の高い順に全事故事象をランク付けし、遅いが高精度なシミュレータ実行を優先順位付けする。
• N-1およびN-2の線路断線シナリオの両方に対して適用可能であり、訓練時にN-1データのみを用いてもよい。
• ランク付け性能の評価にジニ係数および残存リスク指標を用い、計算コストは必要なシミュレーション回数として測定する。
• トランスファービリティを活用：モデルは未観測の事故事象にも一般化可能で、トレーニングデータとテストデータの分布シフトに対しても性能を維持する。

実験結果

リサーチクエスチョン

• RQ1 高速なニューラルネットワークプロキシは、標準的なN-1基準を上回る形で、送電網事故事象の深刻度を効果的にランク付けできるか？
• RQ2 N-1事故事象でのみ訓練されたモデルが、危険なN-2事故事象をどれほど一般化して特定できるか？
• RQ3 本手法は、必要な全シミュレーション回数を最小限に抑えると同時に、残存リスクをどの程度低減できるか？
• RQ4 安全が最重要視される文脈において、検出率と誤検出率のトレードオフは何か？本手法は高い検出率を重視しているか？
• RQ5 本手法は、フランスの超高圧送電網のような大規模送電網にスケーラブルか？

主な発見

• ニューラルネットワーク手法は、平均3回のシミュレーションで残存リスク0.44（R*）を達成し、現在のTSO運用戦略を上回り、最適ベンチマークに近づいた。
• N-1基準と比較して、計算コストを50倍以上削減し、シミュレーション予算のわずか2％で済ませた。
• すべての可能なN-1事故事象の0.5％のみで訓練されたにもかかわらず、リスク低減の観点で標準N-1基準を上回った。
• モデルは危険なN-1事故事象を最初に優先し、その後で深刻度の高いN-2ケースをランク付けした。これは高い検出率とリスク回避的行動を示している。
• モデルは分布シフトに対してもロバストである：図3に示すように、新しい未観測の事故事象でテストした際、性能が向上した。
• 本手法は大規模システムにもスケーラブルであり、フランスの超高圧送電網では2,000倍以上の高速化が予想された。