[論文レビュー] Feature Selection for Transient Stability Assessment Based on Improved Maximal Relevance and Minimal Redundancy Criterion

Yang Li, Xueping Gu|arXiv (Cornell University)|Jan 23, 2019

Smart Grid and Power SystemsEngineering参考文献 4被引用数 17

ひとこと要約

本稿では、電力系統の過渡的安定性評価のための、改善された最大関連性最小冗長性（mRMR）特徴選択手法を提案する。特徴の相関と冗長性の測定を重み係数を用いて向上させることで、性能を向上させる。ニューエングランド39母線系およびIEEE 50発電機系統で評価された本手法は、増分探索とSVM分類を用いて最適な特徴サブセットを特定し、リアルタイムのPMUデータを用いて高い分類精度を達成した。

ABSTRACT

A new feature selection method based on an improved maximal relevance and minimal redundancy (mRMR) criterion was proposed for power system transient stability assessment. First, the standard mRMR was improved by introducing a weight coefficient in the evaluation criteria to refine the measurement of the features correlation and redundancy. Then, the possible real-time information provided by phasor measurement unit (PMU) considered, a group of system-level classification features were extracted from the power system operation parameters to build the original feature set, and the improved mRMR was employed to evaluate the classification capability of the original features for feature selection. A group of nested candidate feature subsets were obtained by using the incremental search technique, and each candidate feature subset was tested by a support vector machine classifier to find the optimal feature subset with the highest classification accuracy. The effectiveness of the proposed method was validated by the simulation results on the New England 39-bus system and IEEE 50-generator test system.

研究の動機と目的

• 高次元のPMUデータから関連性があり、重複のない特徴を選択する課題に対処する。
• 標準のmRMR基準を改善し、相関と冗長性の測定を精緻化するための重み係数を導入する。
• 増分探索とSVMベースの評価を用いて、リアルタイム対応可能な特徴選択フレームワークを開発する。
• PMU測定値から導出される系統レベルの特徴を用いて、過渡的安定性予測の分類精度を最適化する。
• さまざまな事故シナリオ下での標準的な電力系統テストシステムにおいて、本手法の有効性を検証する。

提案手法

• 評価関数に重み係数を組み込むことで、mRMR基準を改善し、関連性と冗長性のバランスをより良くする。
• 電圧、電流、位相角などの量を含む、PMU測定値から系統レベルの分類特徴を抽出し、元の特徴セットを構築する。
• 増分探索技術を適用して、ネストされた候補特徴サブセットを生成し、改善されたmRMRスコアに基づいて段階的に特徴を追加する。
• サポートベクターマシン（SVM）分類器を用いて、各候補サブセットの分類性能を評価する。
• 分類精度を最大化するとともに冗長性を最小化する最適な特徴サブセットを選択する。
• リアルタイムPMUデータを特徴選択パイプラインに統合し、オンライン過渡的安定性評価における実用的妥当性を確保する。

実験結果

リサーチクエスチョン

• RQ1 標準のmRMR基準は、過渡的安定性評価における特徴の関連性と冗長性をより良く捉えるために、どのように改善できるか？
• RQ2 重み係数を導入することで、PMUデータからの最適な特徴サブセットの選択にどのような影響を与えるか？
• RQ3 提案手法は、従来のmRMRよりも過渡的安定性予測において高い分類精度を達成できるか？
• RQ4 増分探索戦略とSVMを組み合わせることで、大規模な特徴空間から最良の特徴サブセットを特定する効果は何か？
• RQ5 リアルタイム電力系統応用において、高い関連性を維持しつつ、冗長性を低く保てるか、その程度はいかほどか？

主な発見

• 重み係数を導入した改善されたmRMR基準は、特徴の関連性と冗長性の測定を著しく向上させ、より優れた特徴選択性能を実現した。
• 提案手法は、ニューエングランド39母線系およびIEEE 50発電機系統の両方で、過渡的安定性評価において高い分類精度を達成した。
• 増分探索戦略は、ネストされた特徴サブセットを効率的に探索し、最適なサブセットの系統的評価と選択を可能にした。
• SVM分類器は、候補特徴サブセットの検証に際して優れた一般化性能を示し、選択された特徴の堅牢性を確認した。
• リアルタイムPMUデータを特徴選択フレームワークに統合することで、オンライン過渡的安定性モニタリングにおける実用的妥当性が保証された。
• 標準mRMRよりも、コンactで高性能な特徴サブセットを識別する点で本手法は優れており、計算負荷を低減しながらも精度を損なわずに済ませた。