[論文レビュー] Outage Detection in Partially Observable Distribution Systems using Smart Meters and Generative Adversarial Networks

Yuxuan Yuan, Kaveh Dehghanpour+2 more|arXiv (Cornell University)|Dec 10, 2019

Electricity Theft Detection Techniques参考文献 20被引用数 4

ひとこと要約

本稿では、スマートメーター（SM）データを用いた部分的可観測配電系統におけるGANベースの教師なし停電検出手法を提案する。BFSを用いたゾーン分解と、正常SMデータ分布をモデル化するGANの訓練により、異常スコアを用いた停電検出を実現する。中〜大規模停電において90%以上のF1スコアとAUCを達成し、外部停電やデータ不足に対しても頑健性を示す。

ABSTRACT

In this paper, we present a novel data-driven approach to detect outage events in partially observable distribution systems by capturing the changes in smart meters' (SMs) data distribution. To achieve this, first, a breadth-first search (BFS)-based mechanism is proposed to decompose the network into a set of zones that maximize outage location information in partially observable systems. Then, using SM data in each zone, a generative adversarial network (GAN) is designed to implicitly extract the temporal-spatial behavior in normal conditions in an unsupervised fashion. After training, an anomaly scoring technique is leveraged to determine if real-time measurements indicate an outage event in the zone. Finally, to infer the location of the outage events in a multi-zone network, a zone coordination process is proposed to take into account the interdependencies of intersecting zones. We have provided analytical guarantees of performance for our algorithm using the concept of entropy, which is leveraged to quantify outage location information in multi-zone grids. The proposed method has been tested and verified on distribution feeder models with real SM data.

研究の動機と目的

• スマートメーターのカバレッジが限定的で、完全な可観測性が得られない配電系統における停電検出の課題に対処すること。
• 通常運用データに比べて稀な停電イベントに起因するデータのアンバランス問題を克服すること。
• ラベル付き停電データに依存せずに、高次元SMデータ内の複雑な時空間的依存関係を捉えること。
• ゾーン連携と情報理論的ゾーン分解を活用することで、マルチゾーンネットワークにおける正確な停電位置特定を可能にすること。
• 停電パターンの事前知識やラベル付き学習データを必要としない、頑健な教師なしフレームワークの構築。

提案手法

• BFSに基づくアルゴリズムを用いて、停電位置情報の最大化を目的とした重複するゾーンに配電ネットワークを分割する。
• 各ゾーン内の歴史的SMデータを教師なしで学習し、GANを用いて正常運用の連合分布を学習する。
• GANのディスクラミネーター出力を用いて、学習された正常分布からの逸脱度を測定することで、リアルタイムSM測定値の異常スコアを算出する。
• 重なり合うゾーン間の依存関係と空間的一致性を活用し、ゾーン連携メカニズムを用いて真の停電位置を推定する。
• エントロピーに基づく解析的保証を活用し、ゾーン分解が最大の停電位置情報を持つことを保証する。
• 異常スコアをディスクラミネーター出力の関数として定義し、値が高くなるほど潜在的な停電イベントを示す。

実験結果

リサーチクエスチョン

• RQ1 スマートメーターが一部のノードにのみ設置された部分的可観測配電系統において、どのようにして効果的に停電検出を実現できるか？
• RQ2 ラベル付き停電データを必要としないGANベースの教師なしモデルは、SMデータの正常分布を学習することで、信頼性高く停電イベントを検出できるか？
• RQ3 高次元SMデータ内の時空間的依存関係を、リアルタイム停電検出に適した形で効果的にモデル化できるか？
• RQ4 外部停電がゾーンの異常スコアに与える影響は何か？また、この手法は内部的および外部的擾乱を区別できるか？
• RQ5 提案されたゾーン分解および連携メカニズムは、マルチゾーンシステムにおける停電位置特定の正確性をどのように向上させるか？

主な発見

• 大規模停電（150kW、80顧客）において、F1スコア0.9326、AUC0.9363を達成し、高い検出精度を示した。
• 中規模停電（100kW、50顧客）では、全ゾーンでF1スコア0.9175、AUC0.9179に達し、優れた性能を示した。
• 小規模停電（40kW、20顧客）では、F1スコア0.7223、AUC0.7641を記録し、微小な擾乱に対しても検出可能であることを示した。
• 通常状態では異常スコアが安定（平均 ≈1.263）であり、停電時には著しく上昇（平均 ≈1.33）するため、明確な区別が可能である。
• ゾーン外の停電がゾーンの異常スコアに顕著な影響を及ぼさず、Δζ（異常スコアの変化）はほぼゼロに保たれるため、頑健性が確認された。
• ゾーン連携メカニズムにより、重なり合うゾーン間で停電を正確に局所化でき、大多数のゾーンで中・大規模イベントにおいて精度と再現率が0.9を超えた。