[論文レビュー] Real-time Fault Localization in Power Grids With Convolutional Neural Networks.

Wenting Li, Deepjyoti Deka+2 more|arXiv (Cornell University)|Oct 11, 2018

Power Systems Fault Detection参考文献 22被引用数 4

ひとこと要約

本稿では、物理的に解釈可能な母線電圧特徴量を活用する畳み込みニューラルネットワーク（CNN）を用いた、電力系統におけるデータ駆動型の故障位置特定手法を提案する。観測性が低い（7%の母線）状況下でも、小さな近隣領域内での高精度な故障位置特定が達成され、従来の機械学習手法を上回り、複雑な故障条件下でもリアルタイム動作を可能にする。

ABSTRACT

Diverse fault types, fast re-closures and complicated transient states after a fault event make real-time fault location in power grids challenging. Existing localization techniques in this area rely on simplistic assumptions, such as static loads, or require much higher sampling rates or total measurement availability. This paper proposes a data-driven localization method based on a Convolutional Neural Network (CNN) classifier using bus voltages. Unlike prior data-driven methods, the proposed classifier is based on features with physical interpretations that are described in details. The accuracy of our CNN based localization tool is demonstrably superior to other machine learning classifiers in the literature. To further improve the location performance, a novel phasor measurement units (PMU) placement strategy is proposed and validated against other methods. A significant aspect of our methodology is that under very low observability (7% of buses), the algorithm is still able to localize the faulted line to a small neighborhood with high probability. The performance of our scheme is validated through simulations of faults of various types in the IEEE 68-bus power system under varying load conditions, system observability and measurement quality.

研究の動機と目的

• 複雑な故障ダイナミクスと低測定可能性の下での電力系統におけるリアルタイム故障位置特定の課題に対処すること。
• 静的負荷仮定に依存するか、高レートのサンプリングや完全観測性を要する従来手法の限界を克服すること。
• 物理的に解釈可能な特徴量を用いたデータ駆動型アプローチを提案し、モデルの透明性と性能を向上させること。
• 故障位置特定精度と系統の観測性を向上させるために、新たなPMU配置戦略を提案すること。
• 静的負荷仮定に依存せず、さまざまな負荷条件、測定品質、観測性レベルにおいても、頑健な故障位置特定性能を実証すること。

提案手法

• 本手法は、母線電圧測定値を用いて訓練された畳み込みニューラルネットワーク（CNN）分類器を採用し、リアルタイムでの故障検出と位置特定を実現する。
• CNNに用いられる特徴量は、電力系統故障解析における物理的解釈可能性を考慮して選択された、母線における電圧大きさと電圧位相角から導出される。
• 限られた測定可能性の下で故障位置特定精度を最大化するための、新たなPMU配置戦略を提案する。
• 多様な故障タイプ、負荷条件、測定品質レベルの下で、IEEE 68母線系における広範なシミュレーションを実施して検証する。
• 実際の展開制約を再現するため、低観測性（7%の母線にPMUを設置）の下でCNNモデルを訓練およびテストする。
• 故障の過渡的ダイナミクスを捉えるために、電圧信号の時間的パターンを活用し、リアルタイムの位置特定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 物理的に解釈可能な電圧特徴量を用いたCNNベース分類器は、従来の機械学習手法に比べ、電力系統における故障位置特定精度を顕著に向上させることができるか？
• RQ2 本手法は、低系統観測性（例：7%の母線にPMUを設置）および測定品質の変動下でも、どのように性能を発揮するか？
• RQ3 提案されたPMU配置戦略は、従来の方法やランダム配置と比較して、故障位置特定性能をどの程度向上させるか？
• RQ4 静的負荷仮定に依存せず、多様な故障タイプと負荷条件においても、故障を高精度に位置特定できるか？
• RQ5 過渡的故障ダイナミクス下で、CNNベースの位置特定フレームワークのリアルタイム実行可能性と頑健性はどの程度か？

主な発見

• 提案されたCNNベースの故障位置特定手法は、文献に報告された他の機械学習分類器と比較して、顕著に高い精度を達成する。
• 7%の母線にPMUが設置されている状況下でも、故障線路を高い確率で小さな近隣領域に特定できる。
• 物理的に解釈可能な特徴量の使用により、モデルの透明性が向上し、さまざまな系統条件における一般化性能が向上する。
• 新たなPMU配置戦略は、故障位置特定精度と観測性効率の両面で、既存の手法を上回る性能を示す。
• IEEE 68母線系シミュレーションにおいて、さまざまな故障タイプと負荷条件の下で、頑健な性能を発揮する。
• 複雑な過渡状態と低レートのサンプリングでも、リアルタイム動作を維持でき、実用的展開に適している。