[論文レビュー] Artificial Neural Network For Transient Stability Assessment: A Review

Umair Shahzad|arXiv (Cornell University)|Jun 13, 2022

Power System Optimization and Stability被引用数 4

ひとこと要約

本レビュー論文は、高比率の再生可能エネルギー統合とシステムの不確実性に起因する現代の電力系における一時安定性評価（TSA）への人工ニューラルネットワーク（ANN）の応用を評価する。高頻度の再生可能エネルギー統合に起因する課題に対処し、既存のANNベースのTSA手法に関する研究を統合的にレビューし、アーキテクチャ、トレーニング戦略、パフォーマンス指標を強調している。本論文は、電力系統のセキュリティおよび安定性分野における機械学習の発展のための包括的基盤を提供する。

ABSTRACT

Integration of large-scale renewable energy sources and increasing uncertainty has drastically changed the dynamics of power system and has consequently brought various challenges. Rapid transient stability assessment of modern power system is a vital requirement for accurate power system planning and operation. The conventional methods are unable to fulfil this requirement. Therefore, novel approaches are required in this regard. Machine leaning approaches such as artificial neural network can play a significant role in this regard. Therefore, this paper aims to review the application of artificial neural network for transient stability assessment of power systems. It is believed that this work will provide a solid foundation for researchers in the domain of machine learning applications to power system security and stability.

研究の動機と目的

• 再生可能エネルギー源の高比率統合とシステムの不確実性に起因する現代電力系における一時安定性評価の課題の増大に対処する。
• リアルタイム応用を妨げる従来のTSA手法の限界を特定する。
• 人工ニューラルネットワーク（ANN）を用いたTSA分野における最近の進展をレビューし、統合する。
• 電力系統セキュリティおよび安定性分野における機械学習を研究する研究者に構造的基盤を提供する。
• TSA研究で用いられる主要なANNアーキテクチャ、データ前処理技術、パフォーマンス評価指標を強調する。

提案手法

• 2000年から2022年までのANNベースのTSAに関する査読済み文献を体系的にレビューした。
• アーキテクチャ（例：順方向伝搬型、再帰型、深層ニューラルネットワーク）および応用文脈に基づいてANNモデルを分類した。
• 入力特徴量選択手法を分析し、電力系統の状態変数および故障後の軌道を含む。
• バックプロパゲーション、最適化アルゴリズム、データ拡張戦略などのトレーニング手法を評価した。
• 複数の研究において、正確性、計算速度、汎化能力といったパフォーマンス指標を比較した。
• 解釈可能性、未知の事故事象に対するロバストネス、PMUベースのデータにおけるリアルタイムデプロイメント制約といった課題を議論した。

実験結果

リサーチクエスチョン

• RQ1 現代の電力系における一時安定性評価に最も効果的な人工ニューラルネットワークアーキテクチャは何か？
• RQ2 異なる入力特徴量セットおよびデータ前処理技術は、TSAにおけるANNのパフォーマンスにどのように影響を与えるか？
• RQ3 ANNベースのTSA手法を評価するために用いられる主なパフォーマンス指標は何か？また、従来手法と比較してどう異なるか？
• RQ4 実際の電力系統において、リアルタイムでの一時安定性評価にANNをデプロイする際の主な課題は何か？
• RQ5 深層学習およびトランスファー学習分野における最近の進展は、ANNベースのTSAの正確性およびロバストネスをどのように向上させるか？

主な発見

• 順方向伝搬型および深層順方向伝搬型ニューラルネットワークは、その単純さと高い正確性のため、一時安定性評価で最も広く用いられているアーキテクチャである。
• ANNベースの手法は、IEEE 39バス系およびIEEE 118バス系を含む複数のベンチマークシステムで95％を超える分類正確性を達成している。
• 再帰型ニューラルネットワーク（RNN）および長短期記憶（LSTM）ネットワークは、故障誘発システム軌道の時間的ダイナミクスを捉える上で優れた性能を示している。
• 正規化や特徴量選択などのデータ前処理技術は、モデルの汎化能力を向上させ、過学習を低減する上で顕著な効果を示している。
• 高い正確性を達成しているにもかかわらず、モデルの解釈可能性、未知の事故事象に対するロバストネス、PMUベースのデータにおけるリアルタイムデプロイメントの課題は依然として残っている。
• 本レビューでは、ANNベースのTSAモデルの標準化されたベンチマークおよびシステム間での検証の欠落という研究ギャップを特定し、統一された評価プロトコルの導入を要請している。