[論文レビュー] Parameters Calibration for Power Grid Stability Models using Deep Learning Methods

Renke Huang, Rui Fan+3 more|arXiv (Cornell University)|May 8, 2019

Power System Optimization and Stability参考文献 2被引用数 7

ひとこと要約

本稿では、PMU測定値と自動シミュレーションデータ生成を用いて、深層学習ベースの電力系統安定性モデルパラメータのキャリブレーション手法を提案する。摂動されたパラメータからの合成的動的応答を学習データとして用いたマルチアウトプット畳み込みニューラルネットワーク（CNN）を採用することで、従来手法や一般的なMLPに比べて高い精度を達成し、特に発電機慣性（H）や励磁器利得（Ka）といった主要パラメータの予測誤差が最大80％まで低減された。

ABSTRACT

This paper presents a novel parameter calibration approach for power system stability models using automatic data generation and advanced deep learning technology. A PMU-measurement-based event playback approach is used to identify potential inaccurate parameters and automatically generate extensive simulation data, which are used for training a convolutional neural network (CNN). The accurate parameters will be predicted by the well-trained CNN model and validated by original PMU measurements. The accuracy and effectiveness of the proposed deep learning approach have been validated through extensive simulation and field data.

研究の動機と目的

• 電力系統安定性モデルにおける従来のオフラインパラメータキャリブレーションの高コスト・長時間化の問題に対処すること。
• 広範に普及しているPMU測定値を活用し、リアルタイムでデータ駆動型のモデル検証およびキャリブレーションを実現すること。
• 複雑な安定性モデルにおける不正確なパラメータの特定と是正を自動的かつスケーラブルに行う手法を開発すること。
• 反復的最適化やソースコード変更を伴うフィルタの代わりに、深層学習を用いてキャリブレーションの精度と効率を向上させること。
• 本手法の有効性を、フル発電ユニットのシミュレート済みおよび実世界のPMUデータを用いて検証すること。

提案手法

• PMU測定値に基づく「イベント再生」技術を用い、シミュレートされた動的応答と実際のPMU測定値を比較することで、パラメータの不一致を特定する。
• 感度解析（式1）を適用し、動的応答に与える影響の大きさに基づいてパラメータをランク付けし、発電機慣性（H）や励磁器利得（Ka）といった高感度候補に探索範囲を絞る。
• 元の値の50％から200％の範囲でターゲットパラメータをランダムに摂動することで、1万件のシミュレーションデータセットを自動生成する。
• 共有畳み込み層、ReLU活性化関数、マックスプーリング、ドロップアウト正則化を備えたマルチアウトプットCNNを用い、動的応答波形からパラメータ値を予測する。
• 損失関数にRMS誤差を採用し、2本のブランチ構造を用いて複数のパラメータを同時に予測しつつ、計算負荷を低減する。
• CNNで予測したパラメータを用いた第二の「イベント再生」を実施し、シミュレートされた応答と元のPMUデータを比較することで予測を検証する。

実験結果

リサーチクエスチョン

• RQ1 自動生成されたシミュレーションデータで学習した深層学習モデルは、PMU測定値から安定性モデルパラメータを正確に予測できるか？
• RQ2 CNNベースの手法は、従来のMLPと比較して、ノイズに強いパラメータ予測精度と耐性を示すか？
• RQ3 提案手法は、従来の最適化やフィルタリング手法と比較して、キャリブレーション誤差をどの程度低減できるか？
• RQ4 本手法は、実世界の電力系統モデルにおいて、H、Ka、Tb、Ksといった重要な不安定パラメータを信頼性高く特定・是正できるか？
• RQ5 CNNのトランスレーション不変性とプーリングアーキテクチャは、動的応答予測における一般化性能とノイズ耐性を向上させるか？

主な発見

• CNNモデルはMLPモデルに比べて顕著に低い予測誤差を達成し、発電機慣性（H）や励磁器利得（Ka）といった主要パラメータでは平均絶対誤差が最大80％まで低減された。
• パラメータHに関しては、CNNでは平均誤差がMLPの3.76％から1.39％に低下し、最大誤差も10.30％から3.77％に減少した。
• 励磁器利得Kaについては、CNNの平均誤差はわずか0.96％（MLPは3.46％）、最大誤差は4.83％（MLPは16.84％）にまで低下した。
• 時間定数Tbは両モデルともわずか2％未満の誤差で、高い安定性と一貫性を示した。
• グリッドゲインKsはCNNで平均誤差0.33％（MLPは2.86％）で予測された。
• CNNで予測したパラメータを用いたシミュレートされた動的応答は、実世界のPMU測定値とよく一致しており、元のモデル出力およびMLPキャリブレーション結果を上回った。