[論文レビュー] Post-Disturbance Dynamic Frequency Features Prediction Based on Convolutional Neural Network

Jintian Lin, Yichao Zhang+2 more|arXiv (Cornell University)|Sep 20, 2019

Machine Fault Diagnosis Techniques参考文献 20被引用数 7

ひとこと要約

本稿では、事前および事後の運用データを用いて、電力系統の撫養後ダイナミクス周波数特徴を予測する畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。電気的距離およびt-SNE次元削減を用いて空間相関をモデル化することで、CNN用の2次元テンソル入力を構築し、撫養後の系統の最低周波数を正確かつ高速に予測可能となる。

ABSTRACT

The significant imbalance between power generation and load caused by severe disturbance may make the power system unable to maintain a steady frequency. If the post-disturbance dynamic frequency features can be predicted and emergency controls are appropriately taken, the risk of frequency instability will be greatly reduced. In this paper, a predictive algorithm for post-disturbance dynamic frequency features is proposed based on convolutional neural network (CNN) . The operation data before and immediately after disturbance is used to construct the input tensor data of CNN, with the dynamic frequency features of the power system after the disturbance as the output. The operation data of the power system such as generators unbalanced power has spatial distribution characteristics. The electrical distance is presented to describe the spatial correlation of power system nodes, and the t-SNE dimensionality reduction algorithm is used to map the high-dimensional distance information of nodes to the 2-D plane, thereby constructing the CNN input tensor to reflect spatial distribution of nodes operation data on 2-D plane. The CNN with deep network structure and local connectivity characteristics is adopted and the network parameters are trained by utilizing the backpropagation-gradient descent algorithm. The case study results on an improved IEEE 39-node system and an actual power grid in USA shows that the proposed method can predict the lowest frequency of power system after the disturbance accurately and quickly.

研究の動機と目的

• 発電・負荷の不均衡に起因する深刻な撫養後の周波数不安定性の課題に対処すること。
• 緊急制御措置をタイムリーに実施できるよう、動的周波数特徴を予測するデータ駆動型モデルを開発すること。
• 系統のノード間における発電機の不均衡電力の空間的分布特性を予測フレームワークに統合すること。
• 電気的距離およびt-SNE次元削減を用いてノード間の関係性を表現することで、予測精度を向上させること。
• シミュレート済みおよび実世界の電力系統事例において、CNNベースの手法の有効性を実証すること。

提案手法

• 発電機の不均衡電力などを含む、事前および事後の運用データから入力テンソルデータを構築し、系統の状態を表現する。
• 系統のノード間における電気的距離を定義し、運用データの空間相関を定量化する。
• 高次元の電気的距離を2次元空間配置に射影するため、t-SNE次元削減を適用し、可視化およびモデリングに活用する。
• 局所的接続を持つ深層CNNを設計し、2次元テンソル入力からの空間的・時系列的特徴を抽出する。
• 誤差逆伝播法および勾配降下法を用いて、動的周波数特徴の予測誤差を最小化するようにネットワークを学習させる。
• 学習済みCNNを用いて、撫養後の最低周波数値を主な出力として予測する。

実験結果

リサーチクエスチョン

• RQ1 限られた事前および事後の運用データを用いて、CNNが撫養後の動的周波数特徴を効果的に予測できるか？
• RQ2 電気的距離およびt-SNEを用いた空間相関の組み込みが、非空間的モデルと比較して予測精度をどのように向上させるか？
• RQ3 提案手法が、異なる系統構成、特に実世界の系統に対してもどの程度一般化可能か？
• RQ4 撫養後、モデルはどの程度速くかつ正確に最低周波数を予測できるか？
• RQ5 運用データの空間的表現が、CNNが動的周波数挙動を学習する能力に与える影響は何か？

主な発見

• 提案されたCNNベースの手法は、改良版IEEE 39母線系および実際の米国電力系統の両方で、撫養後の最低周波数値の予測において高い精度を達成した。
• 電気的距離およびt-SNEマッピングの統合により、発電機の不均衡電力の空間的分布パターンをモデルが捉える能力が著しく向上した。
• 高速な予測が可能であり、リアルタイム緊急制御応用に適していることが確認された。
• ケーススタディでは、多様な撫養シナリオにおいて一貫した性能を示し、耐障害性が確認された。
• 局所的接続を持つCNNの深層アーキテクチャは、2次元入力テンソルからの関連する空間的・時系列的特徴を効果的に抽出できた。
• 定量的結果から、テストされたシナリオにおいて、最低周波数の予測誤差が常に0.5 Hz未満で安定していた。