[論文レビュー] Closing the Loop: A Framework for Trustworthy Machine Learning in Power Systems

Jochen Stiasny, Samuel Chevalier+3 more|arXiv (Cornell University)|Mar 14, 2022

Energy Load and Power Forecasting被引用数 10

ひとこと要約

本稿は、電力システムにおける信頼性の高い機械学習のためのクローズドループフレームワークを提案する。物理則に基づくデータ生成、適応的サンプリング、フィードバック駆動型のモデル最適化を統合し、N-1小領域安定性予測の精度を向上させる。反復的評価と再訓練ループを組み込むことで、ノースシーズ・ウィンド・パワーハブの大規模なシミュレーションにおいて最大83.9%の精度と0.288のMSEを達成し、安全が重要な応用分野におけるモデルの信頼性と信頼性を顕著に向上させる。

ABSTRACT

Deep decarbonization of the energy sector will require massive penetration of stochastic renewable energy resources and an enormous amount of grid asset coordination; this represents a challenging paradigm for the power system operators who are tasked with maintaining grid stability and security in the face of such changes. With its ability to learn from complex datasets and provide predictive solutions on fast timescales, machine learning (ML) is well-posed to help overcome these challenges as power systems transform in the coming decades. In this work, we outline five key challenges (dataset generation, data pre-processing, model training, model assessment, and model embedding) associated with building trustworthy ML models which learn from physics-based simulation data. We then demonstrate how linking together individual modules, each of which overcomes a respective challenge, at sequential stages in the machine learning pipeline can help enhance the overall performance of the training process. In particular, we implement methods that connect different elements of the learning pipeline through feedback, thus "closing the loop" between model training, performance assessments, and re-training. We demonstrate the effectiveness of this framework, its constituent modules, and its feedback connections by learning the N-1 small-signal stability margin associated with a detailed model of a proposed North Sea Wind Power Hub system.

研究の動機と目的

• 電力網への確率的再生可能エネルギーおよびインバーター駆動リソースの統合が増加する中で生じる、グリッド安定性とセキュリティ評価の複雑化という課題に対処する。
• 複雑で透徹性のない機械学習パイプラインのため、安全が重要な電力システム応用分野における機械学習モデルへの信頼の欠如を克服する。
• データ生成からモデル埋め込みまでを統合した、体系的でエンドツーエンドのフレームワークを構築し、継続的改善を可能にするフィードバック機能を備える。
• ノースシーズ・ウィンド・パワーハブの物理ベースのシミュレーションを用いて、N-1小領域安定性マージンの予測におけるフレームワークの有効性を示す。
• 構造的なフィードバックと検証ループを通じて、リアルタイムのグリッド運用における信頼性の高い機械学習モデルの導入基盤を確立する。

提案手法

• 信頼性の高い機械学習における主な課題に対処する5つのコアモジュール（データセット生成、データ前処理、モデル訓練、モデル評価、モデル埋め込み）を統合する。
• 高品質で代表的な訓練データを生成するため、物理則に基づくサンプリング戦略（例：ラテンハイパーパラレルサンプリング、方向付きウォーク、ニューラルネットワークおよび検証に基づくポイント）を用いる。
• 物理的制約を学習プロセスに組み込むために、物理則正則化とニューラルネットワークベースのサーヴィェイモデルを適用し、一般化性能と解釈可能性を向上させる。
• モデル評価と再訓練の間のフィードバックループを実装し、性能指標がデータ再サンプリングとモデル最適化を段階的に誘導できるようにする。
• 多忠実度シミュレーションと構造化された評価プロトコルを活用し、安定性マージン（安定、限界安定、不安定）の各分野でのモデル性能を評価する。
• 分類損失関数（式15のL_y）を用いて、安定性カテゴリ全体におけるモデル誤差を定量化し、的確な最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 物理ベースのシミュレーションデータを、信頼性の高い機械学習モデルの訓練に適した高忠実度かつ包括的なカバレッジを確保するために、どのように体系的に生成・サンプリングできるか？
• RQ2 モデル評価と再訓練の間のフィードバックメカニズムが、グリッド安定性予測における機械学習モデルの精度と耐性をどのように向上させるか？
• RQ3 物理則に基づく正則化と適応的サンプリング戦略は、N-1小領域安定性マージン予測におけるモデル一般化性能の向上と誤差低減に、どの程度寄与するか？
• RQ4 モデル評価と再訓練ループの統合は、複雑な電力システムダイナミクスに基づくモデルの収束性と性能にどのように影響を与えるか？
• RQ5 提案されたクローズドループフレームワークは、ノースシーズ・ウィンド・パワーハブのような実世界に類似したシナリオにおいて、さまざまなデータサンプリングおよびモデル設定下で、高い精度と低い誤差を達成できるか？

主な発見

• フレームワークは、2401サンプルのUniform 7データセットでテスト精度83.9%、平均二乗誤差（MSE）0.288 ± 0.042を達成し、大規模なシミュレーションにおける高い予測性能を示した。
• 物理則正則化により、ベースラインのサンプリング手法と比較してMSEが20–30%低減され、最も優れた性能を示したモデル（Uniform 5 + PR）ではMSEが0.332 ± 0.040にまで低下した。
• ニューラルネットワークに基づく（NI）および検証に基づく（VI）サンプリングは、モデルの耐性を向上させ、均一サンプリングと比較して、限界安定および不安定な安定性領域における誤差を最大40%まで低減した。
• クローズドループフィードバックメカニズムにより、モデル一般化性能が顕著に向上し、評価結果に基づく再訓練により、不安定および限界不安定クラスの誤差が25–35%低減された。
• フィードバックループを備えたラテンハイパーパラレルサンプリング（LHC）は、LHC 7データセットで83.17%の精度を達成し、安定性と一貫性の観点で均一サンプリング（83.92%）を上回った。
• フレームワークは強くスケーラブルであり、2401サンプルのデータセットにおいてもMSEが0.277 ± 0.049を維持した。これは、大規模電力システムにおけるリアルタイム導入の準備が整っていることを示している。