[論文レビュー] Deep Learning for Power System Security Assessment

José-María Hidalgo-Arteaga, Fiodar Hancharou+2 more|arXiv (Cornell University)|Mar 31, 2019

Power System Optimization and Stability参考文献 19被引用数 4

ひとこと要約

本論文は、電力系統のスナップショットを2次元画像として表現する新規なディープラーニングフレームワークを提案する。これにより、畳み込みニューラルネットワーク（CNN）を用いて高速かつ高精度なセキュリティ評価が可能になる。162バスNESTAシステムにおいて、従来の小信号安定性解析と比較して255倍以上の高速化を達成するとともに、N-1および小信号安定性違反の分類において99.14％の再現率と98％の精度を維持した。

ABSTRACT

Security assessment is among the most fundamental functions of power system operator. The sheer complexity of power systems exceeding a few buses, however, makes it an extremely computationally demanding task. The emergence of deep learning methods that are able to handle immense amounts of data, and infer valuable information appears as a promising alternative. This paper has two main contributions. First, inspired by the remarkable performance of convolutional neural networks for image processing, we represent for the first time power system snapshots as 2-dimensional images, thus taking advantage of the wide range of deep learning methods available for image processing. Second, we train deep neural networks on a large database for the NESTA 162-bus system to assess both N-1 security and small-signal stability. We find that our approach is over 255 times faster than a standard small-signal stability assessment, and it can correctly determine unsafe points with over 99% accuracy.

研究の動機と目的

• 数百万の運転点を含む大規模電力系統におけるセキュリティ評価の計算不能性に対処すること。
• 特にCNNを用いたディープラーニングの可能性を活用し、電力系統セキュリティ評価を高速化すること。
• 系統のトポロジーと電力フロー特性を保持する、新規な2次元画像表現を考案すること。
• N-1および小信号安定性評価のため、100万点を超える運転点の大型データベースを用いて深層ニューラルネットワークの学習と評価を行うこと。
• ディープラーニングモデルをセキュリティ制約付き最適潮流フレームワークに統合する可能性を実証すること。

提案手法

• 電力系統スナップショットは、バスおよび線路のトポロジーに従って空間座標にマッピングされた3つのチャネル（有効電力P、無効電力Q、電圧大きさV）を用いて2次元画像に変換される。
• 各バスおよび線路が特定のグリッド位置に割り当てられることで、ネットワーク構造が保持され、CNNによる空間的パターン学習が可能になる。
• NESTA 162バスシステム用に効率的なアルゴリズムで生成された1,000,000点の運転点の大型データベース上で、深層畳み込みニューラルネットワーク（ConvNet）が学習される。
• 各運転点がN-1継続性基準および小信号安定性（減衰比 ≥ 3％）に基づいて、安全または不安全に分類されるようにモデルが学習される。
• 正解率、F1スコア、マシューフェアコefficient（MCC）、再現率などの指標を用いてモデル性能を評価し、誤分類領域の分析にはk-meansクラスタリングが用いられる。
• 計算時間の観点から、単一コアCPU上での標準的小信号安定性解析と比較してベンチマークが実施される。

実験結果

リサーチクエスチョン

• RQ1 電力系統スナップショットを2次元画像として効果的に表現することで、コンピュータビジョン分野の事前学習済みディープラーニングモデルの応用が可能になるか？
• RQ2 電力系統データの画像ベース表現を用いた場合、ディープニューラルネットワークがN-1および小信号安定性違反をどの程度正確に分類できるか？
• RQ3 提案されたディープラーニングモデルは、従来の小信号安定性評価と比較してどの程度の計算高速化を達成するか？
• RQ4 セキュリティ境界のどの領域がモデルの正しく分類する上で特に困難であり、その理由は何か？
• RQ5 ディープラーニングモデルはセキュリティ制約付き最適潮流フレームワークに統合可能か？

主な発見

• 提案された画像ベースの表現により、コンピュータビジョン分野のディープラーニング技術を電力系統セキュリティ評価に効果的に転送できるようになった。
• ディープニューラルネットワークは、98％を超える分類精度と、不安全な運転点に対して99.14％の再現率を達成し、深刻な安定性違反を効果的に特定できることを示した。
• 1点あたりの計算時間を86 msにまで短縮し、標準的小信号安定性解析（21,950 ms）と比較して255倍の高速化を達成した。
• 誤分類された点の大部分（99％以上）が、セキュリティ境界の1つの小さな領域に集中しており、局所的なモデリングの課題が示唆された。
• 複数の評価ケースにおいて高い性能を維持しており、バランスの取れたデータセットや中程度のクラス不均衡の状況で最も優れた結果が得られた。
• 最適潮流フレームワークへの予備的統合では、50回のテストで平均19.99秒の計算時間を達成し、将来的な最適化統合の可能性が示された。