[論文レビュー] Deep Learning for Intelligent Demand Response and Smart Grids: A Comprehensive Survey

B. Prabadevi, Quoc‐Viet Pham+8 more|arXiv (Cornell University)|Jan 20, 2021

Smart Grid Energy Management参考文献 124被引用数 33

ひとこと要約

この論文は、深層学習が知能的需要応答とスマートグリッドにどのように適用されているかを調査し、負荷予測、状態推定、エネルギー窃取検出、エネルギー取引をカバーする。

ABSTRACT

Electricity is one of the mandatory commodities for mankind today. To address challenges and issues in the transmission of electricity through the traditional grid, the concepts of smart grids and demand response have been developed. In such systems, a large amount of data is generated daily from various sources such as power generation (e.g., wind turbines), transmission and distribution (microgrids and fault detectors), load management (smart meters and smart electric appliances). Thanks to recent advancements in big data and computing technologies, Deep Learning (DL) can be leveraged to learn the patterns from the generated data and predict the demand for electricity and peak hours. Motivated by the advantages of deep learning in smart grids, this paper sets to provide a comprehensive survey on the application of DL for intelligent smart grids and demand response. Firstly, we present the fundamental of DL, smart grids, demand response, and the motivation behind the use of DL. Secondly, we review the state-of-the-art applications of DL in smart grids and demand response, including electric load forecasting, state estimation, energy theft detection, energy sharing and trading. Furthermore, we illustrate the practicality of DL via various use cases and projects. Finally, we highlight the challenges presented in existing research works and highlight important issues and potential directions in the use of DL for smart grids and demand response.

研究の動機と目的

• 深層学習、スマートグリッド、および需要応答の基本を紹介し、DLがSGとDRに有利である理由を説明する。
• 電力負荷予測、状態推定、エネルギー窃取検出、エネルギー共有/取引を含む、SG/DRにおける最先端のDLアプリケーションをレビューする。
• DLの適用可能性を示す実用的なユースケースとプロジェクトを示し、SG/DRへの DL の適用性を実証する。
• スマートグリッドと需要応答におけるDLの課題、未解決の問題、および今後の方向性を特定する。

提案手法

• SGとDRに関連するDL概念の整理された概要を提供する（CNN、RNN、LSTM、GRU など）。
• 負荷予測、状態推定、窃取検出、取引における最先端のDLアプリケーションを要約・統合する。
• 引用論文で用いられるアーキテクチャ設計とモデリング手法（例：DRNN-GRU、DDQN、edge-cloud RL）を議論する。
• SG/DRへのDL展開を示す実用的なユースケースとプロジェクト例を提示する。
• 課題を強調し、今後の研究の方向性を提案する。

実験結果

リサーチクエスチョン

• RQ1 スマートグリッドと需要応答に適用可能な基本的なDL手法は何か。
• RQ2 SG/DRにおける電力負荷予測、状態推定、エネルギー窃取検出、エネルギー共有/取引のためにDLモデルはどのように使用されているか。
• RQ3 SG/DRでのDLの有効性を示す代表的なユースケースとプロジェクトは何か。
• RQ4 スマートグリッドと需要応答へDLを適用する際の主要な課題と未解決の問題は何か、将来の研究に有望な方向性は何か。

主な発見

• DLは大規模な SG データセットから学習し、需要とピーク時刻を従来手法よりも効果的に予測できる。
• DLベースのアプローチは、RNN、CNN、LSTM、およびDRL系のアーキテクチャを含む、負荷予測、状態推定、エネルギー窃取検出、エネルギー取引に適用されている。
• 複数のユースケースとプロジェクトは、SG/DRにおけるDLの実用展開を示しており、需要管理のためのDRRL/デュエリングDQNやDRのedge-cloud RLが含まれる。
• データ品質、モデルのスケーラビリティ、プライバシー、リアルタイム展開などの課題を論じ、SG/DRにおけるDLの今後の方向性を概説している。