[論文レビュー] LEAP nets for power grid perturbations

Benjamin Donnot, Balthazar Donon+5 more|arXiv (Cornell University)|Aug 22, 2019

Topic Modeling参考文献 8被引用数 8

ひとこと要約

この論文では、トポロジー変化の潜在的表現を学習することで、訓練データに含まれない未確認のグリッド構成に対しても超一般化を実現するニューラルネットワークアーキテクチャであるLEAPネットを紹介する。この手法は、物理シミュレータと比較して最大2000倍の高速化を達成しながら、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 novel neural network embedding approach to model power transmission grids, in which high voltage lines are disconnected and reconnected with one-another from time to time, either accidentally or willfully. We call our architeture LEAP net, for Latent Encoding of Atypical Perturbation. Our method implements a form of transfer learning, permitting to train on a few source domains, then generalize to new target domains, without learning on any example of that domain. We evaluate the viability of this technique to rapidly assess cu-rative actions that human operators take in emergency situations, using real historical data, from the French high voltage power grid.

研究の動機と目的

• 訓練済みのトポロジーとは異なるトポロジー構成に対しても一般化可能なニューラルネットワークを用いて、送電網の潮流計算を高速化すること。
• 二重以上などの複雑なトポロジー変更（例：二重線路遮断）のようなレアな変更に対するデータ不足の課題に対処すること。
• 再訓練なしに、一般的な構成で訓練されたモデルが、稀なもしくは未確認の構成に一般化できるようにすること。
• 運転士による是正措置の迅速な評価を通じて、緊急時意思決定をリアルタイムで支援すること。
• 増加するグリッドの複雑さに対応できるスケーラブルで実装可能なニューラルエミュレータを送電系統運用者（TSO）に提供すること。

提案手法

• LEAPネットは3段階のアーキテクチャを採用する：入力潮流注入xを潜在空間にマップするエンコーダE、トポロジーτに応じて潜在表現を変調する潜在モジュールLτ、潮流yを再構築するデコーダD。
• 潜在モジュールLτは、線路遮断を示すバイナリーベクトルτを用いて、変換h ↦ d(e(h) ⊙ τ)を適用し、潜在空間における「ジャンプ」を実現する。
• モデルは基準トポロジーτ⁰および単一変更τ⁽ⁱ⁾のデータで学習されるが、二重以上変更τ⁽ⁱʲ⁾については明示的な学習なしに一般化可能である。
• アーキテクチャにより、潜在空間におけるトポロジー的摂動の分離表現を学習することで、超一般化を実現する。
• E、Lτ、Dの各コンponentは微分可能であり、バックプロパゲーションによるエンドツーエンド学習が可能である。
• 本手法は、合成データ（IEEE 118バス）および実世界のフランス・トゥールーズ送電網データを用いて評価され、ベースラインのResNetおよびDC近似と比較されている。

実験結果

リサーチクエスチョン

• RQ1 共通のグリッドトポロジーおよび単一変更でのみ学習されたニューラルネットワークが、微調整や再訓練なしに未確認の複雑なトポロジー的構成に一般化できるか？
• RQ2 LEAPネットアーキテクチャは、トポロジー的摂動下での潮流予測において、標準的なニューラルネットワークおよびDC近似と比較してどのように異なるか？
• RQ3 トポロジー変更の潜在空間モデリングが、送電網潮流予測における超一般化をどの程度可能にするか？
• RQ4 物理シミュレータと比較して、実世界のグリッドシナリオにおけるLEAPネットで達成できる計算の高速化はどの程度か？
• RQ5 正確なトポロジー変更記録が完全に記録されていない観測データ（実世界のグリッドデータ）に対しても、本手法は効果的に適用可能か？

主な発見

• 合成データのIEEE 118バス系において、LEAPネットは物理シミュレータと比較して300倍の高速化を達成し、ベースラインモデルと比較して著しく低い分散を示した。
• フランスのトゥールーズ超高圧送電網の実データにおいて、LEAPネットは物理シミュレータと比較して1台のGPUで2000倍の高速化を達成した。
• 実データにおいて、LEAPネットはベースラインのResNetアーキテクチャを、同じトポロジー分布での一般化および未確認のトポロジー変更に対する超一般化の両面で上回った。
• 超一般化性能は安定的であり、トレーニング時に使用しなかった2017年6月および7月のデータでもベースラインを上回った。これは、分布シフトに対して強い耐性を示している。
• 正確なトポロジー記録が欠落している状況でも、本手法は線路遮断データのみを代理として使用することで、効果的に一般化できた。これは実運用データで一般的な状況である。
• 理論的分析では超一般化は線形摂動に対して成立すると示唆されるが、実験により非線形な組み合わせに対しても一般化が成立することが確認され、強力な一般化能力を示している。