[論文レビュー] Outage Identification from Electricity Market Data: Quickest Change Detection Approach

Milad Hoseinpour, Shubhanshu Shekhar+1 more|arXiv (Cornell University)|Jan 20, 2026

Power System Optimization and Stability被引用数 0

ひとこと要約

本論文は、公開電力市場データからパラメトリック密度モデルを構築し、最速の変化検出を適用することで、停電を迅速に検出・識別するCuSumベースの手法を提示する。

ABSTRACT

Power system outages expose market participants to significant financial risk unless promptly detected and hedged. We develop an outage identification method from public market signals grounded in the parametric quickest change detection (QCD) theory. Parametric QCD operates on stochastic data streams, distinguishing pre- and post-change regimes using the ratio of their respective probability density functions. To derive the density functions for normal and post-outage market signals, we exploit multi-parametric programming to decompose complex market signals into parametric random variables with a known density. These densities are then used to construct a QCD-based statistic that triggers an alarm as soon as the statistic exceeds an appropriate threshold. Numerical experiments on a stylized PJM testbed demonstrate rapid line outage identification from public streams of electricity demand and price data.

研究の動機と目的

• 公開市場データを用いた高速・独立的な停電検出を動機づけ、停電による財務リスクを低減する。
• 正常状態および停電後状態におけるリアルタイム市場シグナル（例：LMP）をパラメトリック密度としてモデル化する。
• 停電特有のマーケットクリアリング構造を最速変化検出フレームワークに統合する。
• 誤報と検出遅延を抑制する閾値ベースの仕組みを提供する。

提案手法

• 負荷摂動から市場結果へのアファイン写像を多パラメトリックプログラミングで導出し、二次計画問題として摂動された市場クリアリングを定式化する。
• 臨界領域内でLMPおよび他の統計量の領域依存線形写像を構築し、密度を扱いやすくする（式（11））。
• 対数尤度比を用いて名目市場構造 vs. 停電後市場構造を検定する二段階CuSum検出器を設計し、証拠を蓄積する（式（16）、式（17））。
• 需要摂動を境界付きとするようCuSumを適応するため、内部成分に制限し適応共分散を用いる（式（18））。
• 誤報と検出遅延のバランスを取るためARLベースの閾値を設定し、遅延・識別性能を評価する（式（20）、式（21））。
• 候補の停電に対して並列CuSum統計を実行するアルゴリズム（Algorithm 2）を提供する。

Figure 1: PJM system and the corresponding critical regions of the real-time market-clearing problem in the nominal and post-outage operation.

実験結果

リサーチクエスチョン

• RQ1 公開市場シグナル（例：LMPの増分）は、停電に対応する市場クリアリング問題の構造変化を現れさせうるか。
• RQ2 パラメトリック市場モデルを活用して、マーケットデータ列から停電を検出・識別するCuSum統計をどのように設計するか。
• RQ3 この設定でARLベース閾値を用いる際の誤報率と検出遅延のトレードオフはどうなるか。
• RQ4 市場データ列を用いて、複数候補の停電の中から真の停電を識別する性能はどの程度か。

主な発見

η	ARL0 (E[τ])	False Alarm Rate (%)	Detection Delay (τ−T) if τ≥T	P(false detection)	P(successful detection)	P(successful identification)	Notes
10	871.2	90.5	0 56.1	16	46.6	53.4	Average across 1000 trajectories
20	1793.0	59.1	0 76.6	33	12.2	87.7	Higher threshold increases ARL
30	2319.2	34.6	114.8	49	0	97.4	Detection slower but identification improves
40	2732.9	15.3	146.1	62	0	99.4	ARL grows with η
50	3008.4	0	172.7	78	0	0.0	False alarm probability minimized, identification challenged
60	3045.8	0	200.2	93	0	0.0	ARL highest; false alarms minimal

• ARL制御の誤報を伴う高い検出性能を達成；η = 50 の場合、偽陽性は約3,000サンプルごとに発生（実市場換算で約250時間）。
• オンライン検出の中央値遅延はηにより16〜93サンプルの範囲（約1.3h〜7.7h）。
• 停電識別確率は遅延を増やして最大78.7%に達し、より高いηで誤検出を最小化できる。
• 六つのCuSum統計量は、真の停電が対応統計量で最も速く、最も顕著な成長を示す。
• LMPだけでなく発電種別や連系送電線の流量など、データ系列を増やすと識別性能が向上する。
• 歴史的停電データに基づくクロスバリデーションによる閾値調整は、ARLと検出遅延のバランスを取るのに有効。

Figure 2: Demand (left) and LMP (middle) data streams and the dynamics of the six CuSum statistics (right). The outage occurs at $T=500$ (red dashed line).