[論文レビュー] DeepONet-Grid-UQ: A Trustworthy Deep Operator Framework for Predicting the Power Grid's Post-Fault Trajectories

Christian Moya, Shiqi Zhang+2 more|arXiv (Cornell University)|Feb 15, 2022

Power System Optimization and Stability被引用数 6

ひとこと要約

本稿では、故障時トレースを入力として、故障後の電力系統の軌道を予測する信頼性の高いディープオペレーター・ネットワークフレームワークであるDeepONet-Grid-UQを提案する。不確実性の定量化はベイジアンおよび確率的トレーニング戦略を用いて統合されており、最小限のデータで高い予測精度と信頼性のある不確実性推定を達成し、一時的安定性評価における誤検出を低減する。

ABSTRACT

This paper proposes a new data-driven method for the reliable prediction of power system post-fault trajectories. The proposed method is based on the fundamentally new concept of Deep Operator Networks (DeepONets). Compared to traditional neural networks that learn to approximate functions, DeepONets are designed to approximate nonlinear operators. Under this operator framework, we design a DeepONet to (1) take as inputs the fault-on trajectories collected, for example, via simulation or phasor measurement units, and (2) provide as outputs the predicted post-fault trajectories. In addition, we endow our method with a much-needed ability to balance efficiency with reliable/trustworthy predictions via uncertainty quantification. To this end, we propose and compare two methods that enable quantifying the predictive uncertainty. First, we propose a extit{Bayesian DeepONet} (B-DeepONet) that uses stochastic gradient Hamiltonian Monte-Carlo to sample from the posterior distribution of the DeepONet parameters. Then, we propose a extit{Probabilistic DeepONet} (Prob-DeepONet) that uses a probabilistic training strategy to equip DeepONets with a form of automated uncertainty quantification, at virtually no extra computational cost. Finally, we validate the predictive power and uncertainty quantification capability of the proposed B-DeepONet and Prob-DeepONet using the IEEE 16-machine 68-bus system.

研究の動機と目的

• 従来のDAEシミュレーションにおける計算ボトル neck を解消する、データ駆動型で効率的な、系統の障害後の軌道を予測する手法の開発。
• 一時的安定性評価における信頼性の高い予測を実現するため、ディープオペレーター・ネットワークに不確実性の定量化を統合する。
• 計算コストの高い数値積分を学習されたオペレーター・フレームワークに置き換えることで、ニアリアルタイムでの動的セキュリティ評価を可能にする。
• 実際の故障シナリオ下で、IEEE 16マシン68バス系において、手法の性能と不確実性のキャリブレーションを検証する。
• 将来の拡張可能性の探求：解像度独立設計、複数バス情報の統合、トランスファーラーニング、物理学に基づく正則化

提案手法

• フレームワークは、故障時トレース（入力）から故障後トレース（出力）への非線形オペレーター写像をDeepONetsで学習し、直接的なDAE解法を回避する。
• 不確実性の定量化のための2つの戦略を提案：確率的勾配ハミルトニアンモンテカルロを用いてネットワークパラメータの事後分布からのサンプリングを行うベイジアンDeepONet（B-DeepONet）。
• 2番目の手法であるProb-DeepONetは、計算コストをほとんど増加させない確率的トレーニング戦略を採用し、自動的な不確実性定量化を可能にする。
• モデルは、IEEE 68バス系からのシミュレートされた故障時トレースの小さなデータセット上でトレーニングされ、未観測のテストトレース上で評価される。
• 不確実性のキャリブレーションは、95％予測区間と実際のトレースとの比較（特に低電圧負荷遮断の臨界閾値を含む）を用いて検証される。
• 信頼性と一般化性能の評価には、回帰の散布プロット、信頼区間カバレッジ、誤検出アラームレートを用いる。

実験結果

リサーチクエスチョン

• RQ1 DeepONetsは、高い精度と一般化性能を達成しつつ、故障時トレースから故障後トレースへのオペレーター写像を効果的に学習できるか？
• RQ2 DeepONetsにおけるベイジアンおよび確率的トレーニング戦略は、故障後トレース予測における信頼性があり、キャリブレーションのとれた不確実性定量化を提供できるか？
• RQ3 予測された不確実性区間は、特に臨界安定性閾値付近で真の故障後トレースをどの程度カバーするか？
• RQ4 決定論的モデルと比較して、提案手法は誤検出アラームを低減できるか？
• RQ5 限られたトレーニングデータ下で、トランスファーラーニングや物理学に基づく正則化を用いて、大規模電力系統に拡張可能か？

主な発見

• B-DeepONetとProb-DeepONetは、AdamでトレーニングされたヴァニラDeepONetと同等の平均予測性能を達成し、強力な一般化性能を示す。
• 予測された95％信頼区間は、真のテストトレースの約95％をカバーしており、効果的なアレアトリック不確実性定量化を確認する。
• 誤った電圧違反の予測を回避することで、負荷遮断を引き起こす可能性がある誤検出アラームをほぼゼロにまで低減する。
• Prob-DeepONetにおける確率的トレーニング戦略により、標準トレーニングと比較してほとんど追加コストなしに不確実性定量化が可能になる。
• 両方の不確実性対応モデルは、臨界安定性限界に近づくかそれを超えるトレースを特定する点で、決定論的ベースラインを上回る信頼性を示す。
• IEEE 68バス系における実証的検証により、小さなデータセットでもニアリアルタイムの一時的安定性評価に本フレームワークが実用可能であることが確認された。