[論文レビュー] Real-time Faulted Line Localization and PMU Placement in Power Systems through Convolutional Neural Networks

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

Power Systems Fault Detection参考文献 35被引用数 4

ひとこと要約

本稿では、置換理論から導出された物理的に解釈可能な電圧特徴を用いて、リアルタイムでの電力系統の故障線路特定を実現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。本手法は7%の母線観測率でも高い精度を達成し、他の機械学習手法を上回る。また、統合的なPMU設置戦略により、測定値が限られた状況下でも性能が向上する。

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 faulted line 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 improve the robustness of the location performance. 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 joint 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 39-bus and 68-bus power systems under varying uncertain conditions, system observability, and measurement quality.

研究の動機と目的

• 大規模電力系統においてPMU測定値が限られた状況下でも、リアルタイムでの故障線路特定を実現すること。
• 測定ノイズ、時間遅延、負荷変動、および故障種別の多様性に対して高いロバスト性を確保すること。
• モデルの一般化性能と解釈可能性を向上させる物理的に解釈可能な特徴セットの開発。
• 故障線路特定精度を同時に向上させる最適なPMU設置戦略の設計。
• IEEE 39母線および68母線系統を用いて、多様な故障条件および低観測性下での手法の妥当性を検証すること。

提案手法

• 置換理論に基づき、母線電圧測定値を用いて物理的意味を持つ特徴ベクトルを構築する。
• 1次元CNN分類器を用いて、候補となる線路から故障線路を特定する。
• 特徴ベクトルは一時的な電圧変動を明確な物理的意味で捉えており、高周波数サンプリングへの依存を低減する。
• 予算および観測率制約下で故障線路特定精度を最大化するための統合的PMU設置アルゴリズムを定式化する。
• 合成的に生成された故障データ（ノイズ、遅延、負荷状態の変動あり）を用いてCNNを学習させ、ロバスト性を確保する。
• 性能評価には線路正答率（LAR）を用い、低観測性（7–30%の母線測定）下でのベースライン手法との比較を実施する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型のCNNモデルは、PMU測定値を最小限に抑えた状況でも高い故障線路特定精度を達成できるか？
• RQ2 物理的に解釈可能な特徴の使用が、ノイズ、遅延、負荷変動に対するロバスト性をどのように向上させるか？
• RQ3 統合的PMU設置戦略は、ランダムまたはトポロジーに基づく戦略と比較して、どの程度性能を向上させるか？
• RQ4 時間遅延が発生する現実的な状況下、特に7%程度の低観測性下で、本手法はどの程度の性能を示すか？
• RQ5 多様な故障種別および遮断時間にわたって、本モデルは高い精度を維持できるか？

主な発見

• 提案手法のCNNベースのアプローチは、母線観測率が7%でさえも95%を超える線路正答率（LAR）を達成し、他の機械学習分類器を顕著に上回る。
• 母線観測率が30%に達する状況では、TP、LG、DLG、LLを含むすべての故障種別でLARが98%以上を維持する。
• 測定遅延が最大40 msまででもLARの低下は5%未満であり、遅延が20 msの場合はわずか1%の誤差にとどまる。これにより、高いロバスト性が示された。
• 遮断時間が0.05 sから0.2 sの範囲にわたってもLARの低下は2%未満に抑えられ、遮断時間の変動に強いことが確認された。
• 統合的PMU設置戦略は、ランダムおよびトポロジーに基づく戦略を上回り、特に低観測性下で顕著な性能向上を示した。
• 誤分類された線路は、実際の故障線路に地理的に近接していることが多く、予測の空間的一致性が示された。