[論文レビュー] The Concept of the Deep Learning-Based System "Artificial Dispatcher" to Power System Control and Dispatch

Nikita Tomin, Victor Kurbatsky+1 more|arXiv (Cornell University)|May 7, 2018

Industrial Engineering and Technologies参考文献 5被引用数 3

ひとこと要約

本論文は、人間のディスパッチャーの専門知識と自動制御の高速性を統合することで、電力系統の安定性と緊急対応を向上させる深層学習ベースの知能システム「アーティフィシャルディスパatcher」を提案する。深層ニューラルネットワーク（DNN）および畳み込みニューラルネットワーク（CNN）を活用することで、リアルタイムでの電圧安定性評価と最適無効電力制御を可能にし、誤差率と計算時間を分単位から秒単位に短縮するとともに、データの不正や破損下でも精度を向上させる。

ABSTRACT

Year by year control of normal and emergency conditions of up-to-date power systems becomes an increasingly complicated problem. With the increasing complexity the existing control system of power system conditions which includes operative actions of the dispatcher and work of special automatic devices proves to be insufficiently effective more and more frequently, which raises risks of dangerous and emergency conditions in power systems. The paper is aimed at compensating for the shortcomings of man (a cognitive barrier, exposure to stresses and so on) and automatic devices by combining their strong points, i.e. the dispatcher's intelligence and the speed of automatic devices by virtue of development of the intelligent system "Artificial dispatcher" on the basis of deep machine learning technology. For realization of the system "Artificial dispatcher" in addition to deep learning it is planned to attract the game theory approaches to formalize work of the up-to-date power system as a game problem. The "gain" for "Artificial dispatcher" will consist in bringing in a power system in the normal steady-state or post-emergency conditions by means of the required control actions.

研究の動機と目的

• 急増する擾乱と現在のディスパッチおよび緊急制御システムの限界による、現代の電力系統における複雑化と不安定化の問題に対処すること。
• 時間的圧迫と不確実性の下でディスパッチャーの意思決定に生じる認知的限界とストレスによる誤差を克服すること。
• 既存のSCADA/EMS/DMSインfra構造と統合することで、電力系統の信頼性と耐障害性を高めること。
• 通常および緊急時において、人間のオペレーターに依存することなく、リアルタイムでディスパッチャーの行動を模倣して自律的に制御を行うシステムを開発すること。
• 大規模データを処理し、最適な制御行動を迅速に特定できる機械学習モデルを用いて、電力系統制御の効率性と速度を向上させること。

提案手法

• 電力系統の挙動、特に電圧安定性をモデル化・予測するために、深層ニューラルネットワーク（DNN）および畳み込みニューラルネットワーク（CNN）を活用する。
• ライブSCADAデータを用いてLインデックス（電圧安定性指標）を動的に評価するため、オンライン意思決定木とリアルタイム学習アルゴリズムを実装する。
• 歴史的およびシミュレートされた電力系統データを用いて、通常および緊急時の最適無効電力注入戦略を学習する。
• 既存のSCADA/EMS/DMSプラットフォームに「アーティフィシャルディスパatcher」を追加モジュールとして統合し、そのデータ収集、分析、制御機能を活用する。
• ゲーム理論の原則を応用して、システム制御を戦略的意思決定問題として形式化し、システム安定性の回復または維持を目的とする。
• 弾性重み統合とボルツマンマシンベースの学習技術を用いて、多様なシステム状態にわたる継続的学習と記憶保持を可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高ストレスかつ時間的制約のある状況下で、リアルタイムにディスパッチャーの意思決定を効果的に模倣できるか？
• RQ2 データの不正下において、深層学習ベースのシステムと従来のアルゴリズム手法とを比較した場合、電圧安定性インデックスの算出性能にどのような差が生じるか？
• RQ3 DNN/CNNベースのシステムは、正確性を維持または向上させつつ、最適制御行動の計算時間をどの程度短縮できるか？
• RQ4 複雑な電力系統において、本システムは、電圧崩壊を防ぐために、補正制御行動（例：無効電力注入）を信頼性高く特定・適用できるか？
• RQ5 既存のSCADA/EMS/DMSプラットフォームと、本システムはどの程度効果的に統合可能か？これは、現在の制御インfraを置き換えるものではなく、強化することを目的とする。

主な発見

• 深層学習モデルは、汚損したIEEE 118バス系統データを用いたテストで、Lインデックス推定の平均二乗誤差を約13％にまで低減し、従来手法を上回った性能を示した。
• 従来手法を用いた場合の最適無効電力注入の決定に要する計算時間（30〜40分）が、機械学習アプローチを用いることで数百ミリ秒（センチ秒）にまで短縮された。
• 本システムは「悪くないデータ（bad data）」や欠落した測定値に対しても頑健であり、入力データが汚損しても正確な安定性評価を維持した。
• モデルが予測した補正制御行動を適用した後、局所的電圧安定性インデックスの合計値（$L_{sum}$）は顕著に低下し、電圧崩壊のリスクが低減したことが示された。
• 本システムは大規模データを処理し、数分の1秒未塔で最適な制御戦略を特定する能力を有しており、人間ディスパッチャーの生理的限界を上回っている。
• 既存のSCADA/EMS/DMSシステムに補助モジュールとして「アーティフィシャルディスパチャー」を統合することで、現在の運用ワークフローを損なわず、リアルタイムかつ高速かつ高精度な制御が可能になった。