[論文レビュー] Deep Learning Architecture for Voltage Stability Evaluation in Smart Grid based on Variational Autoencoders

Haosen Yang, Robert C. Qiu+2 more|arXiv (Cornell University)|Aug 17, 2018

Power System Optimization and Stability参考文献 5被引用数 3

ひとこと要約

本稿では、スマートグリッドにおける電圧安定性マージン（VSM）を推定するために、変分オートエンコーダー（VAE）を用いたディーブラーニングフレームワークを提案する。電圧データから低次元表現を学習することで、最小限の入力データで高精度なVSM推定を実現し、IEEEテストシステムにおいてスパーススタックドオートエンコーダー（SSAE）および対抗的オートエンコーダー（AAE）を上回る性能を示した。

ABSTRACT

Deep learning, as one of the most popular rising technology, is being applied in power industry widely and gradually. This study explored a novel application of deep learning in voltage stability assessment based on variational autoencoder (VAE). VAE is a novel application of variational inference which have clear mathematical formula, it regularize latent variables in a expected stochastic distribution. VAE have distinctive ability to obtain near P-V curve by mere voltage data. An indicator based on VAE is proposed. For comparison and testing, multiple data-driven indicators based on sparse stacked autoencoder (SSAE) and adversarial autoencoder (AAE) are proposed. All of them extract important low-dimension expression of whole sampling data, showing the distinctive advantages of unsupervised learning [1]. A deep neural network based on proposed index is constructed to estimate voltage stability margin (VSM). Our methods are tested in IEEE-14, IEEE-57 and IEEE-118 bus standard system, and compared mutually. Other experimental cases show the effect of our approach in power grids state awareness, and the effects by limited field data. These testing case illustrate the accuracy and effectiveness of our approach.

研究の動機と目的

• 電力系統におけるデータ駆動型の電圧安定性マージン（VSM）推定手法の開発。
• 変分オートエンコーダー（VAE）を用いた教師なし表現学習により、電圧測定値から意味のある低次元特徴を抽出すること。
• VSM評価における代替オートエンコーダー構造（SSAEおよびAAE）と比較して、VAEの性能を評価すること。
• 実際の電力系統シナリオにおける限られた現地データ条件下での本手法のロバストネスを評価すること。
• 提案されたVAEベースのインデックスが電力系統の状態認識および安定性監視に有効であることを実証すること。

提案手法

• 電圧データの確率的かつ低次元の潜在表現を学習するため、変分オートエンコーダー（VAE）を用い、潜在変数を標準正規分布に正則化する。
• 電圧測定値の下位分布をモデル化することで、系統の電圧安定性特性を捉える新しいVAEベースの指標を設計する。
• 学習済みVAE特徴を用いて深層ニューラルネットワーク（DNN）を構築し、VSMを回帰タスクとして予測する。
• 同じデータセットおよび評価プロトコルを用いて、VAEベースのアプローチとスパーススタックドオートエンコーダー（SSAE）および対抗的オートエンコーダー（AAE）を比較する。
• 一般化性能およびロバストネスを評価するため、IEEE-14、IEEE-57、IEEE-118バス系統でモデルを訓練および検証する。
• 教師ありVSM予測の微調整の前に、オートエンコーダーによる教師なし事前学習により顕著な特徴を抽出する。

実験結果

リサーチクエスチョン

• RQ1 変分オートエンコーダーは、電圧安定性評価に適したコンパクトで意味のある電圧データ表現を効果的に学習できるか？
• RQ2 VSM推定において、VAEベースの指標はSSAEおよびAAEと比較して、精度およびロバストネスの面で優れているか？
• RQ3 提案手法は、限られたまたはスパースな現地データ条件下でも性能を維持できるか？
• RQ4 VAEによる教師なし特徴学習は、異なる電力系統構成間でのVSM予測の一般化性能を向上させるか？
• RQ5 VAEベースのインデックスは、リアルタイムの電圧安定性監視および状態認識に信頼できるツールとして機能できるか？

主な発見

• VAEベースの手法は、電圧データの低次元潜在表現を効果的に学習し、P-V曲線の挙動をよく再現した。
• 提案されたVAEベースの指標は、全テスト対象のIEEE系統においてSSAEおよびAAEを上回るVSM推定性能を示した。
• VAE特徴を用いて訓練された深層ニューラルネットワークは、VSM予測において高い精度を達成し、教師なし事前学習の有効性を示した。
• 本手法は限られた現地データでも強くロバストであることが示され、データがスパースな実世界の展開に適していることが示唆された。
• IEEE-14、IEEE-57、IEEE-118バス系統における実験結果から、本手法の一般化能力および電圧安定性評価における信頼性が確認された。