[論文レビュー] Data-Driven Short-Term Voltage Stability Assessment Based on Spatial-Temporal Graph Convolutional Network

Yonghong Luo, Chao Lü+2 more|arXiv (Cornell University)|Mar 5, 2021

Optimal Power Flow Distribution参考文献 33被引用数 4

ひとこと要約

本稿では、電気的トポロジーをモデル化するためのグラフ畳み込みと、時間的ダイナミクスを捉えるための1次元畳み込みを活用して、データ駆動型の短期電圧安定性（SVS）評価を目的とした空間的時間的グラフ畳み込みネットワーク（STGCN）を提案する。STGCNは、既存の手法と比較して、より高い精度、ノイズに対するロバスト性、トポロジーの変化や運転点の変化への適応性を達成しており、広東電力系統でのテストで98.7%の精度を達成した。

ABSTRACT

Post-fault dynamics of short-term voltage stability (SVS) present spatial-temporal characteristics, but the existing data-driven methods for online SVS assessment fail to incorporate such characteristics into their models effectively. Confronted with this dilemma, this paper develops a novel spatial-temporal graph convolutional network (STGCN) to address this problem. The proposed STGCN utilizes graph convolution to integrate network topology information into the learning model to exploit spatial information. Then, it adopts one-dimensional convolution to exploit temporal information. In this way, it models the spatial-temporal characteristics of SVS with complete convolutional structures. After that, a node layer and a system layer are strategically designed in the STGCN for SVS assessment. The proposed STGCN incorporates the characteristics of SVS into the data-driven classification model. It can result in higher assessment accuracy, better robustness and adaptability than conventional methods. Besides, parameters in the system layer can provide valuable information about the influences of individual buses on SVS. Test results on the real-world Guangdong Power Grid in South China verify the effectiveness of the proposed network.

研究の動機と目的

• 既存のデータ駆動型手法が短期電圧不安定性（SVS）の空間的時間的ダイナミクスを十分に捉えていないという限界に対処すること。
• 電力系統のトポロジーと時系列PMUデータを効果的に統合できる深層学習モデルを構築し、リアルタイムでのSVS評価を可能とすること。
• ノイズ、トポロジーの変化、異なる運転条件に対するモデルのロバスト性を向上させること。
• システムレベルのパラメータを用いて、個々の母線がシステム安定性に与える影響について解釈可能なインサイトを提供すること。

提案手法

• ノード間の空間的局所性を電圧不安定性の伝播に捉えるために、チェビシェフによるグラフ畳み込みを用いてネットワークトポロジーをモデルに埋め込む。
• 故障後のPMU時系列データから時間的特徴を抽出するために、1次元畳み込み層を適用する。
• 空間的・時間的両方の多様な受容野表現を統合するための空間的時間的特徴統合ブロックを採用する。
• ノード層（母線レベルの特徴学習）とシステム層（グローバル安定性分類）からなる2段階アーキテクチャを導入する。
• グラフラプラシアンとチェビシェフ多項式近似を活用して、効率的なグラフ畳み込みを実現する。
• 故障シナリオのラベル付きPMUデータを用いて、エンドツーエンドのSTGCNモデルを学習し、システム安定性を分類する。

実験結果

リサーチクエスチョン

• RQ1 PMUデータを用いて、深層学習モデルが短期電圧不安定性の空間的時間的ダイナミクスを効果的に捉えることができるか？
• RQ2 電力系統のトポロジーを組み込むことで、地理的トポロジーやトポロジーなしのモデルと比較して、データ駆動型SVS評価の精度とロバスト性がどの程度向上するか？
• RQ3 提案されたSTGCNモデルは、測定ノイズ、トポロジーの変化、異なる運転点の下でも、どの程度の性能を維持するか？
• RQ4 STGCNモデルのシステム層パラメータは、個々の母線が電圧安定性に与える寄与度について、解釈可能なインサイトを提供できるか？

主な発見

• 提案されたSTGCNは、異なる運転点下でも98.7%のテスト精度を達成し、ST-shapelet（97.3%）、LSTM（92.0%）、RVFL（92.3%）の各手法を上回った。
• ノイズ環境下でもSTGCNは98.6%の精度を維持し、LSTM（92.0%）やRVFL（84.0%）と比較して顕著に優れたノイズ耐性を示した。
• トポロジーの変更下では、STGCNが96.0%の精度を達成し、ST-shapelet（93.0%）、LSTM（94.0%）、RVFL（93.0%）の各手法を上回った。これは、トポロジーに適応した設計のおかげである。
• モデルの性能は多様な故障シナリオにおいても安定しており、システム変動への強い適応性を示している。
• システム層のパラメータにより、個々の母線が全体の電圧安定性に与える影響について解釈可能な情報を得ることができ、診断的インサイトを提供した。
• チェビシェフグラフ畳み込みと1次元時系列畳み込みの統合により、SVSにおける空間的局所性と時間的変化の両方を効果的にモデル化できた。