[論文レビュー] Networked Synthetic Dynamic PMU Data Generation: A Generative Adversarial Network Approach

Xiangtian Zheng, Bin Wang+2 more|arXiv (Cornell University)|Aug 22, 2019

Computational Physics and Python Applications被引用数 4

ひとこと要約

本論文では、現実の電機機械的ダイナミクスを反映し、キルヒホッフの法則を満たす複数のネットワーク化されたPMUデータストリームを直接合成するGANベースの手法を提案する。本手法は、電力系統のシミュレーションに依存せずに、歴史的測定値から同期されたマルチバスPMUデータを生成する。39バスおよび200バス系において、高い統計的・動的忠実度を示した。

ABSTRACT

This paper introduces a machine learning-based approach to synthetically create multiple phasor measurement unit (PMU) data streams at different buses in a power system. In contrast to the existing literature of creating synthetic power grid network and then using simulation software to output synthetic PMU data, we propose a generative adversarial network (GAN) based approach to synthesize multiple PMU measurement streams directly from historical data. The proposed method can simultaneously create multiple PMU measurement streams that reflect practically meaningful electromechanical dynamics which observe the Kirchhoff's laws. We further validate the synthetic data via the statistical resemblance and the modal analysis. The efficacy of this new approach is demonstrated by numerical studies on a 39-bus system and a 200-bus system.

研究の動機と目的

• 電力系統における現実的な電機機械的ダイナミクスを反映する合成マルチバスPMUデータストリームを生成すること。
• 合成ネットワーク作成後に電力系統シミュレーションに依存する既存手法の制限を克服すること。
• 生成されたデータがキルヒホッフの電流則および電圧則などの基本的電力系統法則を尊重すること。
• 統計的類似性およびモード解析技術を用いて合成データを検証すること。
• 200バステストケースを含む大規模システムにおいて、本手法のスケーラビリティと忠実度を示すこと。

提案手法

• マルチバス位相計測データの下位分布を学習するために、歴史的PMU測定値に直接GANを訓練する。
• 生成器ネットワークは、複数のバスにわたる合成PMUデータストリームを同時に生成し、バス間の依存関係を保持する。
• 識別器ネットワークは、実際の歴史的PMUデータと生成された合成データを区別し、統計的現実性を強制する。
• 訓練プロセスでは、構造的または損失関数の制約を通じて、生成されたデータがキルヒホッフの法則を満たすように物理的整合性を確保する。
• 電力系統ネットワークモデル化および動的シミュレーションの必要性を回避し、歴史的測定値から直接同期位相計測値を合成する。
• 統計的類似性指標およびモード解析を用いて評価し、動的忠実度を検証する。

実験結果

リサーチクエスチョン

• RQ1 GANベースの手法は、電力系統における現実的な電機機械的ダイナミクスを反映する複数の同期PMUデータストリームを生成できるか？
• RQ2 合成データは、実際の歴史的PMU測定値の統計的性質をどの程度保持しているか？
• RQ3 生成されたデータストリームは、マルチバスネットワークの文脈でキルヒホッフの法則をどの程度満たしているか？
• RQ4 本手法は、200バスシステムのような大規模電力系統にスケーラブルに適用可能であり、データ品質を維持できるか？
• RQ5 合成データは、実PMUデータと比較してモード解析においてどの程度良好に機能するか？

主な発見

• 提案されたGANベースの手法は、現実的な電機機械的ダイナミクスを反映する複数の同期PMUデータストリームを効果的に生成した。
• 比較的統計的分析により、合成データが実際の歴史的PMUデータと強い類似性を示していることが検証された。
• モード解析により、合成データが実PMU測定値に存在する主要な振動モードを保持していることが確認された。
• 生成されたデータストリームはキルヒホッフの法則を満たしており、ネットワーク化されたシステム全体における物理的妥当性が保証された。
• 本手法は39バスおよび200バスのテストシステムにおいて、スケーラビリティと頑健性を示した。
• 別個の電力系統モデル化およびシミュレーションの必要性が排除され、歴史的測定値から直接データを生成できるようになった。