[論文レビュー] Just-In-Time Learning for Operational Risk Assessment in Power Grids

Oliver Stover, Pranav Karve+5 more|arXiv (Cornell University)|Sep 26, 2022

Electric Power System Optimization被引用数 4

ひとこと要約

本稿では、再生可能エネルギーの導入率が高い電力系統におけるリアルタイム運用リスク評価を高速化するため、時刻ごとにリスクの代理モデルを即時学習する JITRALF という、タイムリーな機械学習フレームワークを提案する。非対称損失関数を用いて、危険な運用領域における正確な予測を優先することで、不足予備率、負荷遮断、運用コストのリスク推定において、計算負荷を低減しつつ高い精度を維持する。これにより、費用対効果に優れた、的確なタイミングでのリスク緩和意思決定が可能になる。

ABSTRACT

In a grid with a significant share of renewable generation, operators will need additional tools to evaluate the operational risk due to the increased volatility in load and generation. The computational requirements of the forward uncertainty propagation problem, which must solve numerous security-constrained economic dispatch (SCED) optimizations, is a major barrier for such real-time risk assessment. This paper proposes a Just-In-Time Risk Assessment Learning Framework (JITRALF) as an alternative. JITRALF trains risk surrogates, one for each hour in the day, using Machine Learning (ML) to predict the quantities needed to estimate risk, without explicitly solving the SCED problem. This significantly reduces the computational burden of the forward uncertainty propagation and allows for fast, real-time risk estimation. The paper also proposes a novel, asymmetric loss function and shows that models trained using the asymmetric loss perform better than those using symmetric loss functions. JITRALF is evaluated on the French transmission system for assessing the risk of insufficient operating reserves, the risk of load shedding, and the expected operating cost.

研究の動機と目的

• 再生可能エネルギーの変動が著しい電力系統において、モンテカルロベースのリアルタイムリスク評価が計算的に非現実的である問題に対処すること。
• 日前およびリアルタイム運用における時間経過に伴う系統の接続構成や発電機の予備割り当ての変化に起因する課題を克服すること。
• 不十分な予備率のリスクや負荷遮断のリスクが高まるシステムの信頼性リスクを高めるため、高リスク運用領域におけるリスク推定の精度を向上させること。
• 最新の正確なリスク推定を活用して、グリッド運用者がリスク緩和措置を遅らせたり最小限に抑えたりできるようにすること。
• 確率的予測とデジタルツインシミュレーションを用いたスケーラブルで実用的なリアルタイムリスク評価フレームワークの構築

提案手法

• 発電機の予備割り当てや系統構成の変化を反映させるために、1日中の各時間帯ごとに専用の機械学習代理モデルを訓練する。
• タイムリー学習を採用：日前安全制約付き経済 dispatch (DA-FRAC) の結果をもとに、日前リスク評価のシミュレーションデータを用いて、モデルを実行時後に訓練する。
• リスクの過小評価を特に運用限界付近で強くペナルティを与える、新たなハザードに配慮した非対称損失関数を採用する。
• SCED問題を解かずに、不足予備率のリスク、負荷遮断、期待運用コストといった重要な数量（QoI）を予測するモデルを訓練する。
• 風力・太陽光・負荷の確率的予測を入力とし、高精度な訓練データを生成するためにデジタルツインシミュレーションを活用する。
• フランス送電系統を対象に、高リスク・中リスク・低リスクのシナリオ下で、リアルタイムリスク推定の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 即時学習で訓練された機械学習代理モデルは、再生可能エネルギーが多数導入された電力系統におけるリアルタイム運用リスク評価の計算コストを顕著に低減できるか？
• RQ2 非対称損失関数を用いることで、対称損失関数と比較して、危険な運用領域におけるモデルの性能がどのように向上するか？
• RQ3 最新の予測を用いて、JITRALF はリアルタイムで不足予備率、負荷遮断、運用コストのリスクをどれほど正確に予測できるか？
• RQ4 リアルタイムリスク推定により、運用者がコストの高いリスク緩和措置を遅らせたり最小限に抑えたりしながら、システムの信頼性を維持できるか？
• RQ5 1時間ごとの代理モデルの訓練は、系統構成や発電機の予備割り当てパターンの動的な変化をどのように反映しているか？

主な発見

• JITRALF は、不足運用予備率のリスク、負荷遮断、期待運用コストのリスクについて、高い予測精度を達成しており、低リスクシナリオでは平均絶対誤差（MAE）が最小で 0.02×10⁴$ にまで低下する。
• 非対称なハザードに配慮した損失関数で訓練されたモデルは、対称損失関数モデルを上回り、特に高リスクシナリオで誤差を最大50％まで低減する。
• 高リスクシナリオでは、JITRALF は大規模な予備率確保の必要性を正しく特定するが、低リスクケースでは最小限の対応が必要であることを正確に予測する。
• リアルタイムリスク推定により、運用者がリスクが実質的に顕在するまで追加発電機の起動を延期できるため、運用コストと排出ガスを低減可能である。
• フレームワークはリアルタイムで危険な状態を特定できており、負荷遮断リスクの予測では、高リスクケースで MAE が 18.1×10⁴$（HAL: 21.6×10⁴$）を示す。
• 負荷遮断の平均リスク値は、高リスク時が 83、中リスク時が 14.9、低リスク時が 0 であり、JITRALF の予測はこれらの基準値とよく一致しており、高い忠実性を示している。