[論文レビュー] Using Neural Networks to Detect Line Outages from PMU Data

Ching-pei Lee, Stephen J. Wright|arXiv (Cornell University)|Oct 16, 2017

Power System Optimization and Stability参考文献 14被引用数 6

ひとこと要約

本稿では、一部のバスにおけるPMUデータを用いて、電力系統の単線・二線断線をニューラルネットワークベースの手法で検出する手法を提案する。多様な条件下における断線に対するAC潮流応答をシミュレートすることで、モデルは分類器を訓練し、最小限のリアルタイム計算でほぼ完璧な精度を達成する。これは、スパースなPMU配置でも線形手法を著しく上回る性能を発揮する。

ABSTRACT

We propose an approach based on neural networks and the AC power flow equations to identify single- and double-line outages in a power grid using the information from phasor measurement unit sensors (PMUs) placed on only a subset of the buses. Rather than inferring the outage from the sensor data by inverting the physical model, our approach uses the AC model to simulate sensor responses to all outages of interest under multiple demand and seasonal conditions, and uses the resulting data to train a neural network classifier to recognize and discriminate between different outage events directly from sensor data. After training, real-time deployment of the classifier requires just a few matrix-vector products and simple vector operations. These operations can be executed much more rapidly than inversion of a model based on AC power flow, which consists of nonlinear equations and possibly integer / binary variables representing line outages, as well as the variables representing voltages and power flows. We are motivated to use neural network by its successful application to such areas as computer vision and natural language processing. Neural networks automatically find nonlinear transformations of the raw data that highlight useful features that make the classification task easier. We describe a principled way to choose sensor locations and show that accurate classification of line outages can be achieved from a restricted set of measurements, even over a wide range of demand profiles.

研究の動機と目的

• 負荷や季節的変動の変化に伴う電力系統における線断線検出精度の向上。
• PMU測定値における複雑な非線形パターンを捉えられない線形モデルの限界を克服すること。
• 最小限のセンサ数で断線検出性能を最大化するための最適PMU配置手法の開発。
• オフライン学習後の軽量推論により、リアルタイムでの断線検出を可能とすること。
• 従来の手法が失敗するような多様な需要プロファイルに、ニューラルネットワークが一般化できることを示すこと。

提案手法

• 本手法は、複数の負荷および季節的シナリオにおけるすべての可能な単線・二線断線に対して、高精度なAC潮流モデルを用いてPMU測定値をシミュレートする。
• これらのシミュレーションから合成された訓練データが生成され、各断線イベント後の電圧・電流位相ベクトルの変化を表す。
• 1つ以上の隠れ層を有するフィードフォワードニューラルネットワークを用い、シミュレートされたPMUデータから直接断線タイプを分類するように学習する。
• L2正則化を適用し、分類性能を最大化するように最適なPMU配置を貪欲なヒューリスティックで選択する。
• 学習後は、推論にたった数回の行列・ベクトル演算しか必要としないため、リアルタイムでの実装が可能となる。
• 主成分分析を用いて特徴空間の変換を可視化し、ニューラルネットワーク変換後のクラス分離が向上していることを示している。

実験結果

リサーチクエスチョン

• RQ1 スパースなPMU測定値から、多様な負荷条件における単線・二線断線をニューラルネットワークが効果的に分類できるか？
• RQ2 ニューラルネットワークの性能は、多クラスロジスティック回帰などの線形モデルと比較して、断線検出においてどのように異なるか？
• RQ3 限られた数のPMUを最適に配置することで、断線検出精度を最大化できるか？
• RQ4 シミュレーションデータで学習したニューラルネットワークは、実世界の需要変動（日周波・季節的変動含む）にも一般化できるか？
• RQ5 ニューラルネットワークの非線形特徴抽出能力は、線形手法と比較してクラス分離をどのように改善するか？

主な発見

• 14バス系において、すべてのバスにPMUを設置した場合、ニューラルネットワーク分類器は二線断線検出で0%の誤差率を達成し、線形モデルを著しく上回った。
• 14バス系でPMUを3台のみ設置した場合、ニューラルネットワークはトップ2誤差率がわずか0.9%であったのに対し、線形モデルでは71.7%に達した。
• 30バス系で5台の戦略的配置PMUを用いた場合、ニューラルネットワークはトップ2誤差率が5.6%であったのに対し、線形モデルでは84.5%であった。
• ニューラルネットワークモデルは、季節的・日周波的変動を含む広範な需要プロファイルに対して、従来のデータベース手法が狭い範囲に限定されるのとは異なり、高いロバスト性を示した。
• 特徴可視化により、ニューラルネットワークが入力データをより緊密なクラスタリングと明確なクラス分離を実現するように変換していることが明らかになった。
• 本手法は、学習後はたった数回の行列・ベクトル演算で推論が可能であるため、最小限の計算コストでリアルタイム断線検出が可能となった。