[論文レビュー] Distribution Grid Line Outage Identification with Unknown Pattern and Performance Guarantee

Chenhan Xiao, Yizheng Liao+1 more|arXiv (Cornell University)|Sep 10, 2023

Power Systems Fault DetectionEngineering被引用数 3

ひとこと要約

本稿では、電圧の大きさのみを用いて、事前知識がなく、位相角や潮流データを必要としない、頑健でデータ駆動型の配電網線路停電特定手法を提案する。勾配降下法にBregman散発性制約を組み合わせることで、物理的・統計的制約のもとで未知の停電後の配電パラメータを学習可能であり、収束保証が得られ、現実の配電網においてタイムリーな検出と局所化が可能となる。

ABSTRACT

Line outage identification in distribution grids is essential for sustainable grid operation. In this work, we propose a practical yet robust detection approach that utilizes only readily available voltage magnitudes, eliminating the need for costly phase angles or power flow data. Given the sensor data, many existing detection methods based on change-point detection require prior knowledge of outage patterns, which are unknown for real-world outage scenarios. To remove this impractical requirement, we propose a data-driven method to learn the parameters of the post-outage distribution through gradient descent. However, directly using gradient descent presents feasibility issues. To address this, we modify our approach by adding a Bregman divergence constraint to control the trajectory of the parameter updates, which eliminates the feasibility problems. As timely operation is the key nowadays, we prove that the optimal parameters can be learned with convergence guarantees via leveraging the statistical and physical properties of voltage data. We evaluate our approach using many representative distribution grids and real load profiles with 17 outage configurations. The results show that we can detect and localize the outage in a timely manner with only voltage magnitudes and without assuming a prior knowledge of outage patterns.

研究の動機と目的

• 停電後のパターンが未知で事前知識が得られない状況下における配電網における線路停電特定の課題に対処すること。
• 高価なファサール測定や潮流データに依存せず、容易に入手可能な電圧の大きさ測定値のみに依存する手法を開発すること。
• 物理的・統計的制約のもとでパラメータ学習の理論的収束保証を提供することで、タイムリーな運用を実現すること。
• Bregman散発性制約を用いることで、勾配降下法に基づくパラメータ推定における妥当性の問題を解消すること。
• 最小限の仮定で、現実の配電網において正確かつ迅速に停電を検出・局所化できるようにすること。

提案手法

• 未知の停電後配電パラメータを電圧の大きさデータから学習するための射影勾配降下フレームワークを提案する。
• パラメータ更新中の妥当性を維持するため、Bregman散発性制約を導入し、勾配降下法の発散を防止する。
• 電圧データの統計的・物理的性質を活用することで、収束性と安定性を保証する。
• 最適化技術を用いた高速化により、実行時間を75%以上短縮しつつ、精度の損失を最小限に抑える。
• 事前知識が不要な変化点検出フレームワークと学習済みの停電後分布を組み合わせ、停電パターンの事前知識を不要にする。
• 制限凸性と有界な勾配ノルムを用いて理論的収束性を証明し、反復回数における部分最適性の上限を保証する。

Figure 1: An overview of the distribution grid line outage detection problem: we collect voltage magnitudes from smart meters installed at households and use the posterior probability ratio computed in ( III-B ) to detect the change in the underlying distribution of voltage increments.

実験結果

リサーチクエスチョン

• RQ1 停電パターンの事前知識がなく、電圧の大きさ測定値のみを用いて、線路停電を正確に検出・局所化できるか？
• RQ2 配電網における未知の停電後分布を学習する際、勾配降下法をどのようにして妥当かつ安定的に保証できるか？
• RQ3 停電検出におけるパラメータ学習プロセスの収束性と性能に、どのような理論的保証を提供できるか？
• RQ4 提案手法は、現実の配電網シナリオにおいて、高精度を維持しながらタイムリーな運用を達成できるか？
• RQ5 Bregman散発性制約は、パラメータ推定プロセスの妥当性とロバストネスをどのように向上させるか？

主な発見

• 提案手法は、電圧の大きさのみを用いて線路停電を検出・局所化でき、位相角や潮流データの必要性を排除する。
• Bregman散発性制約により、勾配降下法における妥当性の問題が効果的に防止され、安定的なパラメータ学習が可能になる。
• 理論的収束性が保証され、E反復後の部分最適性がO(1/√E)の割合で減少する。
• 高速化により、実行時間が75%以上短縮され、タイムリーな運用が実現する。
• 17の停電設定を含む代表的な配電網における実験的評価により、多様なシナリオにおいて高い精度とロバストネスが確認された。
• 従来の「最後の息吹き」信号が失敗するメッシュネットワークや分散型エネルギー資源を有する環境でも、本手法は高い性能を維持する。

Figure 2: The empirical histogram of $|\Delta I|$ .