[論文レビュー] Fast Power system security analysis with Guided Dropout

Benjamin Donnot, Isabelle Guyon+3 more|arXiv (Cornell University)|Jan 30, 2018

Power System Optimization and Stability被引用数 17

ひとこと要約

本稿では、1本の線路が遮断された場合の 'n-1' ケースから、2本の線路が遮断された場合の 'n-2' ケースへまで一般化できる、深層学習手法であるGuided Dropoutを提案する。再訓練を必要とせず、トポロジーの変更を条件付き隠れユニットで符号化することで、スーパーグeneralizationを実現し、従来のACシミュレータに比べて300倍高速な負荷フロー計算を実現しながら、実際のフランスの超高圧送電網データにおいて高い精度を維持する。

ABSTRACT

We propose a new method to efficiently compute load-flows (the steady-state of the power-grid for given productions, consumptions and grid topology), substituting conventional simulators based on differential equation solvers. We use a deep feed-forward neural network trained with load-flows precomputed by simulation. Our architecture permits to train a network on so-called "n-1" problems, in which load flows are evaluated for every possible line disconnection, then generalize to "n-2" problems without retraining (a clear advantage because of the combinatorial nature of the problem). To that end, we developed a technique bearing similarity with "dropout", which we named "guided dropout".

研究の動機と目的

• 線路の遮断組み合わせの爆発的増加によって引き起こされるリアルタイム電力系セキュリティ解析における計算ボトル neck を解消すること。
• 各構成ごとに再訓練を必要とせず、多様な送電網トポロジーにわたる潮流予測が可能なデータ駆動型手法を開発すること。
• 'n-1' ケースでのみ学習されたニューラルネットワークを用いて、臨界的 'n-2' ケースを迅速に事前フィルタリングすること。
• フランスの超高圧送電網のような実世界の高圧送電網において、スケーラビリティと性能を実証すること。
• AC潮流シミュレーションやDC近似に比べて計算効率が高く、高い予測精度を維持する代替手法を提供すること。

提案手法

• 参照トポロジーにおけるすべての 'n-1' 事故ケース（1本の線路が遮断された場合）の事前計算済みAC潮流シミュレーションを用いて、深層順方向ニューラルネットワークを学習する。
• 線路の遮断状態を符号化するために、条件付き隠れユニットをネットワークアーキテクチャに導入し、異なるトポロジーへの一般化を可能にする。
• Guided Dropoutは、ドロップアウトにインspiredされた新しいトポロジー符号化メカニズムを導入し、特定の隠れユニットが線路遮断状態に応じて活性化されることで、トポロジー間で共有学習が可能になる。
• この手法により、'スーパーグeneralization' が実現され、'n-1' ケースでのみ学習されたネットワークが、'n-2' ケース（2本の線路が遮断された場合）の潮流を正確に予測できる。
• モデルはリアクタンスやアドミittanceなどの物理的パラメータに依存せず、活性電力注入のみを入力として使用するため、完全にデータ駆動型である。
• アーキテクチャは、フランスの超高圧送電網の実データを用いて評価され、1秒間に1,000件を超える負荷フロー予測が可能である。

実験結果

リサーチクエスチョン

• RQ1 1つのニューラルネットワークが 'n-1' 事故ケースでのみ学習された場合、再訓練なしで 'n-2' 事故ケースに対しても正確に一般化できるか？
• RQ2 提案されたGuided Dropout手法は、DC近似やワンホットエンコーディングといった従来のベースラインと比較して、精度と計算速度の両面で優れているか？
• RQ3 本手法は、数千本の線路とノードを有する実世界の高圧送電システムにスケーラブルか？
• RQ4 モデルのデータ駆動型性は、リアクタンスやアドミタンスなどのパラメータを用いる物理情報に基づく手法（DC近似）と比較して、性能にどのように影響を与えるか？
• RQ5 ガイドドドロップアウトメカニズムは、トポロジー変種間での正則化と効率的なパラメータ共有をどの程度可能にするか？

主な発見

• Guided Dropout手法は、'n-1' ケースでのみ学習されたモデルを用いて、'n-2' ケースの潮流を正確に予測するスーパーグeneralizationを達成した。
• 118バスのMatpowerベンチマークにおいて、DC近似を含むすべてのベースラインを上回り、予測精度と推論速度の両面で優れた性能を示した。
• フランスの超高圧送電網データでは、1秒間に1,000件を超える負荷フロー予測が可能であり、現在のACシミュレータ性能と比較して約300倍の高速化を達成した。
• フランス送電網（1,400ノード、2,700線路）の全 'n-1' データセットの学習は可能であるが、すべての 'n-2' ケースを学習するには約5,000万回のシミュレーションが必要で、約半年の学習時間がかかる。
• 物理的知識を明示的に持たないにもかかわらず、リアクタンスやアドミタンスといったパラメータを用いるDC近似と同等の性能を示した。
• 本手法により、臨界的 'n-2' 事故ケースの迅速な事前フィルタリングが可能となり、ディスpatchャーはACシミュレーションを高リスクのシナリオに限定して実行できるようになった。