[論文レビュー] Dynamic Mode Decomposition and Sparse Measurements for Characterization and Monitoring of Power System Disturbances

Juan Ramos, J. Nathan Kutz|arXiv (Cornell University)|Jun 8, 2019

Power System Optimization and Stability被引用数 7

ひとこと要約

本論文は、動的モード分解（DMD）とスパース測定を組み合わせたデータ駆動型フレームワークを提案し、限られたPMUデータからの正確な状態推定と予測を可能にする広域監視を実現する。圧縮センシングとDMDに基づく低ランクな空間時間的モードを活用することで、最小限のセンサーで全状態再構成と異常事象の特徴化が可能となり、さまざまな故障シナリオ下でIEEE 118バス系統で検証された。

ABSTRACT

We introduce the dynamics mode decomposition for monitoring wide-area power grid networks from sparse measurement data. The mathematical framework fuses data from multiple sensors based on multivariate statistics, providing accurate full state estimation from limited measurements and generating data-driven forecasts for the state of the system. Our proposed data-driven strategy, which is based on energy metrics, can be used for the analysis of major disturbances in the network. The approach is tested and validated using time domain simulations in the IEEE 118 bus system under various disturbance scenarios and under different sparse observations of the system. In addition to state reconstruction, the minimal number of sensors required for monitoring disturbances can be evaluated. Visualization techniques are developed in order to aid in the analysis and characterization of the system after disturbance.

研究の動機と目的

• 限られたPMU測定値を用いて電力系統のリアルタイム広域監視の課題に対処すること。
• 限られたセンサデータから正確な全状態推定と予測を可能にするデータ駆動型手法を開発すること。
• 異常検出および特徴化の高精度を維持しながら、必要なPMUの数を最小限に抑えること。
• 中央集権型システムと比較して通信および計算負荷を低減するスケーラブルで分散型の監視ソリューションを提供すること。
• エネルギーに基づく指標とDMDモードを用いて、異常発生後のシステムダイナミクスの可視化と分析を可能にすること。

提案手法

• 時系列PMUデータから主要な空間時間的モードを抽出するため、動的モード分解（DMD）を適用して状態表現を実現する。
• システムの可観測性を確保するための最小限の重要な測定ポイントを特定するために、圧縮センシングを活用する。
• 訓練データから低ランクのDMDモードのライブラリを構築し、通常状態および異常状態におけるシステムダイナミクスを表現する。
• DMDライブラリとエネルギーに基づく指標を用いて、スパース測定から全システム状態を再構成する。
• DMDモードを時間的に前方に発展させることで、将来のシステム状態のデータ駆動型予測を生成する。
• 異常発生後の異常伝播およびシステム行動の分析・特徴化を可能にする可視化技術を統合する。

実験結果

リサーチクエスチョン

• RQ1 異常状態下で電力系統の全状態を正確に再構成するために、必要なPMUの最小数はどれほどか？
• RQ2 DMDに基づくモデルは、スパースでリアルタイムのPMU測定値からどの程度正確にシステム状態を再構成できるか？
• RQ3 提案手法は、限られたデータを用いて、一様なスイング不安定性などの広域異常を検出し、特徴化できるか？
• RQ4 DMD-圧縮センシングフレームワークの性能は、従来のモデルベースまたはクラスタリングベースの異常位置特定手法と比較してどうか？
• RQ5 エネルギーに基づく指標と可視化ツールは、電力系統の異常発生時における状況認識をどの程度向上できるか？

主な発見

• 提案されたDMDおよびスパース測定フレームワークにより、IEEE 118バス系統の全状態再構成が、PMUのわずかなサブセットを用いても正確に実現された。
• 本手法は、効果的な異常監視に必要な最小限のセンサーを効果的に同定し、測定および通信のオーバーヘッドを低減した。
• DMDモードを時間的に発展させることで、高い精度での状態予測が達成され、システム不安定化の早期警戒が可能になった。
• DMDモードの可視化により、一様な振動行動および異常伝播パターンが効果的に明らかにされた。
• 測定値が限られたりノイズが多い状況でも、従来のモデルベースおよびクラスタリングベースの手法よりも本手法が優れた性能を示した。
• 本フレームワークは、さまざまな異常タイプに対して頑健であり、スパースかつ不規則なサンプリング下でも性能を維持した。