[論文レビュー] Bayesian State Estimation for Unobservable Distribution Systems via Deep Learning

Kursat Rasim Mestav, Jaime Luengo-Rozas+1 more|arXiv (Cornell University)|Nov 7, 2018

Water Systems and Optimization参考文献 50被引用数 11

ひとこと要約

本稿では、スマートメーターのデータを活用して電力注入分布を学習し、ニューラルネットワークを訓練することで、リアルタイムでの最小平均二乗誤差（MMSE）状態推定を実現する、深層学習に基づくベイジアン状態推定フレームワークを提案する。本手法は、複数の時間スケールにわたる欠損、遅延、または不整合な測定値に対しても、ロバストで計算コストが低い推定を可能にするため、疑似測定手法を上回る性能を発揮する。

ABSTRACT

The problem of state estimation for unobservable distribution systems is considered. A deep learning approach to Bayesian state estimation is proposed for real-time applications. The proposed technique consists of distribution learning of stochastic power injection, a Monte Carlo technique for the training of a deep neural network for state estimation, and a Bayesian bad-data detection and filtering algorithm. Structural characteristics of the deep neural networks are investigated. Simulations illustrate the accuracy of Bayesian state estimation for unobservable systems and demonstrate the benefit of employing a deep neural network. Numerical results show the robustness of Bayesian state estimation against modeling and estimation errors and the presence of bad and missing data. Comparing with pseudo-measurement techniques, direct Bayesian state estimation via deep learning neural network outperforms existing benchmarks.

研究の動機と目的

• 限られた、信頼性が低い、または遅延のある測定値を有する未観測配電系統における状態推定の課題に対処すること。
• 時間分解能が低いヒューリスティックな補間や歴史的予測に依存する従来の疑似測定手法の限界を克服すること。
• 異なる時間スケールにわたる異種のデータソース（例：スマートメーターとSCADA）を統合し、リアルタイムで計算効率の良い状態推定手法を開発すること。
• ベイジアン推論フレームワークを用いて、モデル誤差、悪影響のあるデータ、欠損測定値に対してもロバストな状態推定を可能にすること。
• 遅い時間スケールのスマートメーターのデータから、電力注入の背後にある確率分布を学習し、それを深層ニューラルネットワーク推定器の学習に活用すること。

提案手法

• ステーションアリティと共通の物理的モデルを仮定して、スマートメーターのデータにガウス・ミックスチャネル・モデルをフィットさせ、高速時間スケールの電力注入の分布を推定する。
• AR-Kプロセス・モデルを用いて、集計されたスマートメーターのデータの分散（T区間）と個々の高速時間スケールの注入の分散との関係を定式化し、遅い測定値から分布を学習可能にする。
• モンテカルロ・サンプリングを用いて深層ニューラルネットワークを学習させ、測定値からシステム状態の最小平均二乗誤差（MMSE）ベイジアン推定器を近似する。
• 非線形層を複数有するネットワークアーキテクチャを設計し、ReLU活性化関数と学習可能な重みを用いて測定値から状態推定値へのマッピングを実現する。
• 事前推定段階でベイジアン悪影響データ検出およびフィルタリングアルゴリズムを統合し、誤ったまたは欠損した測定値に対するロバスト性を向上させる。
• 状態と測定値の同時分布をデータから学習することで、システムの完全な観測性を必要とせずに推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロ・サンプリングを用いて学習された深層ニューラルネットワークは、未観測配電系統におけるベイジアンMMSE推定器を効果的に近似できるか？
• RQ2 ガウス・ミックスチャネルとARプロセス・モデルを用いて、遅い時間スケールのスマートメーターのデータから電力注入分布をどの程度正確に推定できるか？
• RQ3 欠損または悪影響のあるデータ下で、疑似測定に基づく手法と比較して、本手法が推定精度とロバスト性をどの程度向上させるか？
• RQ4 リアルタイム応用において、従来のWLS手法と比較して、深層学習に基づくベイジアン推定器の計算上の利点は何か？
• RQ5 15分周期のスマートメーターのデータと1分未満のSCADA測定値の間で測定時間スケールの不一致が生じた場合、本手法はどの程度適応できるか？

主な発見

• 提案された深層学習に基づくベイジアン状態推定器は、ベンチマークの疑似測定手法と比較して、特にデータ不足や汚損下でも顕著に高い精度を達成する。
• ベイジアンフレームワークが内蔵する不確実性の定量化のおかげで、モデル誤差、悪影響のあるデータ、欠損測定値に対してもロバストであることが示された。
• ニューラルネットワークベースの推定器の計算コストは、従来のWLS手法と比較して数個のオーダー低く抑えられており、リアルタイムでの導入が可能である。
• スマートメーターのデータから学習した注入分布のおかげで、直接的な測定が不可能な高速時間スケールの電力注入を正確に推定できる。
• 高速時間スケールの注入の時間的相関をAR-Kプロセスでモデル化することで、集計されたスマートメーターの分散から個々の注入分散を正確に導出可能である。
• 本フレームワークは、遅いスマートメーターのデータと速いSCADA測定値の間の不一致を、背後にある確率的注入ダイナミクスを学習することで効果的に是正した。