[論文レビュー] PMU Placement for Line Outage Identification via Multiclass Logistic Regression

Taedong Kim, Stephen J. Wright|arXiv (Cornell University)|Sep 12, 2014

Power System Optimization and Stability参考文献 11被引用数 6

ひとこと要約

本稿では、PMUが測定する電圧位相の変化を用いて、多クラスロジスティック回帰（MLR）モデルを訓練し、送電網における単線断線を特定する手法を提案する。PMU設置にグリーディヒューリスティクスを適用することで、バスの25%程度の設置率でも、ほぼ完全な断線特定性能を達成する—118バス系においてわずか14台のPMUで99%以上の精度を達成—、これにより、希釈なPMU設置でも断線検出において全システムの可視化と同等の性能を達成できることを示している。

ABSTRACT

We consider the problem of identifying a single line outage in a power grid by using data from phasor measurement units (PMUs). When a line outage occurs, the voltage phasor of each bus node changes in response to the change in network topology. Each individual line outage has a consistent "signature," and a multiclass logistic regression (MLR) classifier can be trained to distinguish between these signatures reliably. We consider first the ideal case in which PMUs are attached to every bus, but phasor data alone is used to detect outage signatures. We then describe techniques for placing PMUs selectively on a subset of buses, with the subset being chosen to allow discrimination between as many outage events as possible. We also discuss extensions of the MLR technique that incorporate explicit information about identification of outages by PMUs measuring line current flow in or out of a bus. Experimental results with synthetic 24-hour demand profile data generated for 14, 30, 57 and 118-bus systems are presented.

研究の動機と目的

• 同期PMU測定値を用いて、送電系統における単線断線を信頼性高く特定する手法を開発すること。
• 限られたリソースのもとで、大規模送電ネットワークにおける最適なPMU設置を実現し、断線検出能力を最大化する課題に取り組むこと。
• 主に断線シグネチャの識別を最適化基準とすることで、従来のPMU設置戦略を改善すること。
• 希釈なPMU設置（バスの最低25%）でも、断線検出においてほぼ全システムの可視化に匹敵する性能を達成できることを示すこと。
• 凸最適化とヒューリスティクスによるPMU設置位置選定を組み合わせた、リアルタイムの断線特定に実用的かつスケーラブルなソリューションを提供すること。

提案手法

• 合成24時間分の負荷プロファイルを用いて、各単線断線シナリオの電圧位相シグネチャを学習する多クラスロジスティック回帰（MLR）分類器を訓練する。
• PMU設置問題をグループLASSOペナルティを導入した正則化MLR最適化問題として定式化し、スパarsityを促進し、重要な測定バスを選択する。
• 測定空間における断線クラスシグネチャ間の最小距離を最大化するように、反復的にPMU設置位置をグリーディヒューリスティクスで選択する。
• 凸最適化技術を用いてMLRモデルを効率的に訓練し、正確なシステム表現を得るために、AC潮流モデルを活用する。
• 線路電流測定値をMLRフレームワークに統合し、シグネチャ識別を強化し、検出のロバスト性を向上させる。
• 実際の負荷条件下でIEEE 14、30、57、118バス系を用いて性能を評価し、全PMU設置と部分的PMU設置を比較する。

実験結果

リサーチクエスチョン

• RQ1 多クラスロジスティック回帰は、PMUデータを用いて、異なる単線断線の電圧位相シグネチャを効果的に区別できるか？
• RQ2 大規模送電系統において、高精度な線路断線特定を達成するために必要なPMUの最小数は何か？
• RQ3 PMU設置戦略が、MLRに基づく断線検出システムの分類性能に与える影響はいかほどか？
• RQ4 希釈なPMU設置（例：バスの25%）が、全システムのインストルメンテーションと同等の検出精度をどの程度維持できるか？
• RQ5 異なるヒューリスティクス戦略（グリーディ vs. グループLASSO）は、断線特定に最適なPMU設置位置をどの程度効果的に選択できるか？

主な発見

• 118バス系においてわずか14台のPMUを設置した場合、グリーディヒューリスティクスにより、信頼度が0.9以上の条件下で99.3%の断線特定確率を達成した。
• 57バス系では、15のPMU設置位置で、信頼度が0.9以上の断線に対して98.3%の識別精度を達成し、グループLASSOを5%以上上回った。
• わずか6のPMU設置位置で、信頼度が0.9以上の高信頼度で90%の断線イベントを特定可能であり、最小限のインストルメンテーションでも優れた性能を示した。
• 全テストシステムにおいて、グリーディヒューリスティクスは、PMU選定の質と分類精度の両面で、グループLASSOヒューリスティクスを一貫して上回った。
• バスの約25%にPMUを設置した場合の識別性能は、全システムインストルメンテーションとほとんど区別できず、ほとんどのケースで99%を超える検出精度を達成した。
• 14バス系では、τ=5×10⁻³の条件下で、グリーディヒューリスティクスを用いたわずか3台のPMUで100%の断線識別精度を達成した。