[論文レビュー] Physics-Informed Machine Learning for Data Anomaly Detection, Classification, Localization, and Mitigation: A Review, Challenges, and Path Forward

Mehdi Jabbari Zideh, Paroma Chatterjee+1 more|arXiv (Cornell University)|Sep 19, 2023

Computational Physics and Python Applications被引用数 5

ひとこと要約

本稿は、電力システムにおける異常検出、分類、局所化、緩和のための物理情報付き機械学習（PIML）手法をレビューする。物理法則を機械学習モデルに統合することで、妥当性、解釈可能性、信頼性を向上させる。空間時系列相関を捉えるために、CNN-LSTM やグラフニューラルネットワーク（GNNs）といったハイブリッドアーキテクチャを提案し、観測限界やスケーラビリティといった主な課題を特定。サイバー・電力システムにおける実用的導入のための解決策を提示する。

ABSTRACT

Advancements in digital automation for smart grids have led to the installation of measurement devices like phasor measurement units (PMUs), micro-PMUs ($μ$-PMUs), and smart meters. However, a large amount of data collected by these devices brings several challenges as control room operators need to use this data with models to make confident decisions for reliable and resilient operation of the cyber-power systems. Machine-learning (ML) based tools can provide a reliable interpretation of the deluge of data obtained from the field. For the decision-makers to ensure reliable network operation under all operating conditions, these tools need to identify solutions that are feasible and satisfy the system constraints, while being efficient, trustworthy, and interpretable. This resulted in the increasing popularity of physics-informed machine learning (PIML) approaches, as these methods overcome challenges that model-based or data-driven ML methods face in silos. This work aims at the following: a) review existing strategies and techniques for incorporating underlying physical principles of the power grid into different types of ML approaches (supervised/semi-supervised learning, unsupervised learning, and reinforcement learning (RL)); b) explore the existing works on PIML methods for anomaly detection, classification, localization, and mitigation in power transmission and distribution systems, c) discuss improvements in existing methods through consideration of potential challenges while also addressing the limitations to make them suitable for real-world applications.

研究の動機と目的

• 純粋にデータ駆動型の機械学習が電力システムに与える制限、たとえば非現実的な予測、解釈不能性、一般化性能の低さを是正する。
• 電力網の物理的制約を機械学習モデルに統合し、リアルタイム運用に耐える物理的に整合性のある信頼性の高いソリューションを保証する。
• 送電・配電システムにおける異常検出および緩和のため、教師あり、半教師あり、教師なし、強化学習の各分野における既存のPIML技術を調査する。
• 空間時系列相関モデリング、システムサイズ依存性、観測限界といった課題を特定し、実用的導入のための解決策を提示する。
• セキュアでレジilエントなサイバー・電力システムに適した、強固でスケーラブルかつ解釈可能なPIMLフレームワークを構築する道筋を示す。

提案手法

• 支配方程式（例：潮流方程式）を学習目的に組み込むことで、物理的整合性を保証する物理情報付きニューラルネットワーク（PINNs）と損失関数を採用する。
• PMUおよびスマートメーターのデータにおける空間的相関（CNNによるモデル化）と時間的依存性（LSTMによるモデル化）を捉えるために、CNN-LSTM などのハイブリッドディープラーニングアーキテクチャを用いる。
• 母線をノード、線路をエッジとするグラフとして電力システムを表現することで、グラフニューラルネットワーク（GNNs）を用い、トポロジーに配慮した学習とより良い空間的一般化を実現する。
• 教師ありおよび教師なしモデルの損失関数に物理的制約を直接統合し、物理的に非現実的な予測に対してペナルティを与える。
• システムダイナミクスを尊重しながら、異常緩和における意思決定をガイドする物理ベースの報酬関数を用いた強化学習（RL）を適用する。
• 不正利用損失や計測誤差の状況における異常検出のため、自己符号化器（AE）に物理情報付き正則化を組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 物理情報付き機械学習は、電力システム応用における教師あり、半教師あり、教師なし、強化学習モデルに、物理法則をどのように効果的に統合できるか？
• RQ2 PMUおよびスマートメーターの測定データにおける空間時系列相関を捉えるために、CNN-LSTM や GNNs といった最も効果的なディープラーニングアーキテクチャは何か？
• RQ3 純粋にデータ駆動型のアプローチと比較して、PIML手法は、出力の解釈可能性、妥当性、信頼性をどのように向上させるか？
• RQ4 実際の電力システムへのPIMLの導入において、主な課題は何か。特に、システムサイズ、観測限界、負荷変動の観点から説明せよ。
• RQ5 不完全またはノイズの多い測定値を扱い、動的かつ不確実な運用状態下でも性能を維持できるように、PIMLモデルをどのように強化できるか？

主な発見

• CNN-LSTM などのハイブリッドモデルは、PMUおよびスマートメーターのデータにおける空間的・時間的相関を効果的に捉え、異常検出および軌道予測の性能を向上させる。
• グラフニューラルネットワーク（GNNs）は、電力システムのトポロジーをモデリングする自然なフレームワークを提供し、異なるネットワーク構成にわたるトポロジーに配慮した学習とより良い一般化を実現する。
• 損失関数に物理的制約を組み込むことで、物理的に非現実的な予測の発生が顕著に減少し、モデルの信頼性と信頼性が向上する。
• PIML手法は物理法則を活用することで、ラベル付きデータの大量を必要としないため、ラベル付き異常データが限られる実世界の導入における主要なボトル neck を緩和する。
• 進展は見られるが、観測限界、システムスケーラビリティ、負荷変動の対処は依然として課題であり、システムトポロジーおよび動的挙動のより良いモデリングによって解決すべきである。
• 深層学習アーキテクチャに物理的要因を統合することで、より解釈可能で一般化可能なモデルが得られ、サイバー・電力システムにおけるリアルタイム制御および意思決定に適している。