[論文レビュー] Deep Learning based Model-free Robust Load Restoration to Enhance Bulk System Resilience with Wind Power Penetration

Jin Zhao, Fangxing Li+2 more|arXiv (Cornell University)|Sep 16, 2021

Electric Power System Optimization参考文献 24被引用数 4

ひとこと要約

本稿では、高風力発電率を有する送電系統における、深層学習に基づくモデルフリーのロバストな負荷復帰手法を提案する。DNNとCNNを用いて最悪事態をエミュレートし、最適性を確保する負荷投入チェックリスト生成（LPCG）アルゴリズムを採用することで、従来のロバスト最適化より高速かつ柔軟性に優れた、リアルタイムで計算効率の良いオンライン復帰が可能になる。IEEE 30バスおよび118バス系統で検証された。

ABSTRACT

This paper proposes a new deep learning (DL) based model-free robust method for bulk system on-line load restoration with high penetration of wind power. Inspired by the iterative calculation of the two-stage robust load restoration model, the deep neural network (DNN) and deep convolutional neural network (CNN) are respectively designed to find the worst-case system condition of a load pickup decision and evaluate the corresponding security. In order to find the optimal result within a limited number of checks, a load pickup checklist generation (LPCG) algorithm is developed to ensure the optimality. Then, the fast robust load restoration strategy acquisition is achieved based on the designed one-line strategy generation (OSG) algorithm. The proposed method finds the optimal result in a model-free way, holds the robustness to handle uncertainties, and provides real-time computation. It can completely replace conventional robust optimization and supports on-line robust load restoration which better satisfies the changeable restoration process. The effectiveness of the proposed method is validated using the IEEE 30-bus system and the IEEE 118-bus system, showing high computational efficiency and considerable accuracy.

研究の動機と目的

• 高風力発電率に起因する変動と不確実性を伴う送電系統におけるレジリientな負荷復帰の課題に取り組む。
• 高次元の不確実性を伴うため、オンライン応用において計算的に非現実的となる従来のロバスト最適化の限界を克服する。
• 最悪の風力および負荷状態下でもシステムの安全性を保証する、リアルタイムでモデルフリーの手法を開発する。
• 変動するシステム状態に動的に適応する高速かつ最適な負荷復帰を実現する。
• 従来のロバスト最適化を、オンライン導入に適したデータ駆動型でスケーラブルな代替手法に置き換える。

提案手法

• 任意の負荷投入意思決定に対して、最悪のシステム状態を予測するための深層ニューラルネットワーク（DNN）を設計する。
• 予測された最悪事態下でのシステムのセキュリティを評価するため、深層畳み込みニューラルネットワーク（CNN）を用いる。
• 制限されたチェック回数内で最適な負荷復帰順序を体系的かつ選択的に探索・選定する負荷投入チェックリスト生成（LPCG）アルゴリズムを開発する。
• 最適なチェックリストから、完全でロバストな復帰戦略を迅速に生成するためのワンライン戦略生成（OSG）アルゴリズムを実装する。
• システムの明示的モデル化を回避するため、歴史的システムデータおよび最悪事態シミュレーションを用いてDNNおよびCNNを訓練する。
• DNNおよびCNNをLPCGおよびOSGアルゴリズムと統合し、リアルタイムでモデルフリーのロバスト意思決定を実現する。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づくモデルフリー手法は、従来のロバスト最適化と同等のロバストな負荷復帰性能を達成しつつ、リアルタイム計算を可能にするか？
• RQ2 DNNおよびCNNモデルは、高風力発電率に起因する不確実性下で、最悪のシステム状態をどれほど効果的に予測できるか？
• RQ3 計算制約下でLPCGアルゴリズムが、負荷復帰順序の最適性をどの程度保証できるか？
• RQ4 動的復帰プロセスにおいて、本手法は従来のロバスト最適化と比較して、計算速度および適応性の面でどの程度優れているか？
• RQ5 本手法は、高風力発電率を有する大規模系統、例えばIEEE 118バス系統に対しても効果的に適用可能か？

主な発見

• 提案手法は高い計算効率を達成し、従来のロバスト最適化が高負荷な計算を要するため非現実的であったリアルタイムのオンライン負荷復帰を可能にする。
• DNNおよびCNNモデルは、最悪のシステム状態を効果的に予測し、セキュリティを評価することができ、IEEE 30バスおよびIEEE 118バス系統の両方で妥当性が検証された。
• LPCGアルゴリズムは、限られたチェック回数内で近似的に最適な負荷復帰順序を保証し、探索空間を著しく縮小しながらも、ロバストネスを損なわない。
• OSGアルゴリズムは、最適なチェックリストから完全でロバストな復帰戦略を効果的に生成し、最悪事態下でもシステムの安全性を確保した。
• 本手法は、高風力発電率を有する系統において、顕著な正確性とレジリエンスを示し、速度および適応性の面で従来手法を上回った。
• IEEE 118バス系統における検証により、スケーラビリティとロバストネスが確認され、本手法が実際の送電系統におけるオンライン導入に適していることが示された。