[論文レビュー] Hybrid integration of multilayer perceptrons and parametric models for reliability forecasting in the smart grid

Longfei Wei, Arif I. Sarwat|arXiv (Cornell University)|Oct 3, 2018

Power System Reliability and Maintenance参考文献 23被引用数 5

ひとこと要約

本稿では、一般的な気象データを用いてスマートグリッド配電網における日常的な持続的・一時的停電を予測するために、多項式回帰と指数回帰を組み合わせた修正された極端な学習機械（ELM）を統合したハイブリッドMLPパrametricモデルフレームワークを提案する。この手法により、統計モデル単体と比較して、持続的停電では平均二乗誤差（MSE）が8.77%低減され、一時的停電では61.37%低減された。

ABSTRACT

The reliable power system operation is a major goal for electric utilities, which requires the accurate reliability forecasting to minimize the duration of power interruptions. Since weather conditions are usually the leading causes for power interruptions in the smart grid, especially for its distribution networks, this paper comprehensively investigates the combined effect of various weather parameters on the reliability performance of distribution networks. Specially, a multilayer perceptron (MLP) based framework is proposed to forecast the daily numbers of sustained and momentary power interruptions in one distribution management area using time series of common weather data. First, the parametric regression models are implemented to analyze the relationship between the daily numbers of power interruptions and various common weather parameters, such as temperature, precipitation, air pressure, wind speed, and lightning. The selected weather parameters and corresponding parametric models are then integrated as inputs to formulate a MLP neural network model to predict the daily numbers of power interruptions. A modified extreme learning machine (ELM) based hierarchical learning algorithm is introduced for training the formulated model using realtime reliability data from an electric utility in Florida and common weather data from National Climatic Data Center (NCDC). In addition, the sensitivity analysis is implemented to determine the various impacts of different weather parameters on the daily numbers of power interruptions.

研究の動機と目的

• 通常の天候条件下でも、顧客の停電の主な要因であるスマートグリッド配電網における停電の正確な予測に取り組む。
• 複数の気象パラメータと停電率との間の複雑な非線形相互作用を捉えられない従来の統計モデルの限界を克服する。
• パラメトリック回帰と多層パーセプトロン（MLP）ニューラルネットワークを組み合わせたハイブリッド予測フレームワークを構築し、予測精度を向上させる。
• 温度、風速、降水量、気圧、雷などの個々の気象パラメータが、1日あたりの停電回数に与える相対的影響を感度分析により特定する。

提案手法

• 多項式回帰および指数回帰モデルを用い、1日あたりの停電回数（持続的Nおよび一時的M）と個々の気象パラメータ（温度、降水量、気圧、風速、雷、ヒートデグリーデイズ）との非線形的関係を定量化する。
• パラメトリックモデルの予測値を、多層パーセプトロン（MLP）ニューラルネットワークの追加入力として使用し、生の気象データと回帰による停電推定値を含む24ニューロンのハイブリッド入力層を構築する。
• 訓練・検証・テストのための修正された極端な学習機械（ELM）アルゴリズムを実装し、データセットを60%訓練、15%検証、25%テスト（2015年1月～2017年4月）に分割する。
• フロリダの電力会社のリアルタイム信頼性データとNCDCの歴史的気象データを用いてMLPを訓練し、訓練エポックごとの平均二乗誤差（MSE）をモニタリングすることで収束性と性能を評価する。
• ネットワーク出力に対する各入力パラメータの1次微分を用いた感度分析を実施し、各気象変数が停電予測に与える影響を定量化する。
• 全テスト期間にわたり、予測された値と実際の持続的（N）および一時的（M）停電回数を比較することで、モデルの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 温度、風速、降水量、気圧、雷といった一般的な気象パラメータが、配電網における1日あたりの持続的および一時的停電率にどのように影響を与えるか？
• RQ2 パラメトリック回帰と多層パーセプトロン（MLP）ニューラルネットワークを組み合わせたハイブリッドフレームワークは、従来の統計モデル単体と比較して、予測精度を向上させることができるか？
• RQ3 個々の気象パラメータの変動が停電予測に与える相対的な感度はどの程度で、どの気象要因が信頼性パフォーマンスに最も強い影響を与えるか？
• RQ4 修正されたELMアルゴリズムは、停電予測の文脈において、訓練収束性と一般化性能をどのように向上させるか？

主な発見

• 提案されたハイブリッドMLPフレームワークは、単独の統計モデルと比較して、持続的停電予測の平均二乗誤差（MSE）を8.77%低減した。
• 一時的停電に関しては、提案フレームワークが統計モデルと比較してMSEを61.37%低減し、顕著に向上した予測精度を示した。
• 感度分析の結果、雷（L）が持続的および一時的停電回数の両方において最も影響力の高い気象要因であることが判明した。特にフロリダの雨季（6月～9月）において顕著であった。
• ヒートデグリーデイズ（H）は、フロリダの気温が常に65°F以上であるため、年間を通じてヒートデグリーデイズ値が低く、停電率に最も小さい影響を与えた。
• 修正されたELMアルゴリズムは、訓練中に安定した収束を示し、MSEがエポックごとに減少した。これは、テストデータセットにおいて効果的な学習と一般化が行われたことを示している。
• パラメトリックモデルの出力をMLPの入力として統合することで、気象変数間の複雑な非線形的相互作用をモデルがより良く捉える能力が向上し、生の気象データや統計フィッティングに依存するモデルを上回る性能を発揮した。