[論文レビュー] Using SHAP Values and Machine Learning to Understand Trends in the Transient Stability Limit

R. I. Hamilton, Panagiotis N. Papadopoulos|arXiv (Cornell University)|Feb 13, 2023

Energy Load and Power Forecasting被引用数 6

ひとこと要約

本稿では、発電系統における瞬時安定性を予測するブラックボックス機械学習モデルの解釈にSHAP値を活用する手法を提案し、瞬時安定性境界に及ぼすシステム変数の影響を、地点別に解明することを目的としている。バス間でのSHAP値の共分散を分析することで、システム変数が安定性境界にどのように影響を与えるかを明らかにし、再生可能エネルギーの統合が進む系統における計画立案および運用意思決定を支援する。

ABSTRACT

Machine learning (ML) for transient stability assessment has gained traction due to the significant increase in computational requirements as renewables connect to power systems. To achieve a high degree of accuracy; black-box ML models are often required - inhibiting interpretation of predictions and consequently reducing confidence in the use of such methods. This paper proposes the use of SHapley Additive exPlanations (SHAP) - a unifying interpretability framework based on Shapley values from cooperative game theory - to provide insights into ML models that are trained to predict critical clearing time (CCT). We use SHAP to obtain explanations of location-specific ML models trained to predict CCT at each busbar on the network. This can provide unique insights into power system variables influencing the entire stability boundary under increasing system complexity and uncertainty. Subsequently, the covariance between a variable of interest and the corresponding SHAP values from each location-specific ML model - can reveal how a change in that variable impacts the stability boundary throughout the network. Such insights can inform planning and/or operational decisions. The case study provided demonstrates the method using a highly accurate opaque ML algorithm in the IEEE 39-bus test network with Type IV wind generation.

研究の動機と目的

• 高精度な機械学習モデルの解釈可能性の欠如を是正すること。
• 各バスバーラインにおける臨界遮断時間（CCT）に影響を与えるシステム変数を、地点別に理解可能にする。
• SHAP値とシステム変数の共分散分析を通じて、ネットワーク全体における安定性境界感度のトレンドを明らかにすること。
• システム変更が瞬時安定性に与える影響を定量化することで、計画および運用意思決定を支援すること。

提案手法

• IEEE 39バス系統に、タイプIV風力発電を含む複雑な系統条件下で、CCTを各バスバーラインで予測する高精度で解釈不能な機械学習モデルを訓練する。
• SHapley Additive exPlanations（SHAP）を用いて、各バスバーラインにおける各入力変数の寄与度を特徴量重要度として特定し、個々の予測を解釈する。
• 全バスにわたる各システム変数についてSHAP値を算出し、CCT予測への寄与度を評価する。
• 全バスにわたる各システム変数とその対応するSHAP値との間の共分散を計算し、ネットワーク全体での影響トレンドを同定する。
• 得られた共分散パターンを用いて、特定の変数の変化がネットワーク全体の瞬時安定性境界にどのように影響を与えるかをマッピングする。
• 再生可能エネルギーに起因するシステム複雑性と不確実性の増大に伴い、IEEE 39バステストシステム上で手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 複雑な電力系統における、個々のシステム変数が各バスバーラインの臨界遮断時間にどのように影響を与えるか。
• RQ2 特定のシステム変数の変化が、ネットワーク全体の瞬時安定性境界に与える影響は何か。
• RQ3 地点別に訓練された機械学習モデルのSHAP値から、安定性境界感度に関する一貫性のあるトレンドをどのように特定できるか。
• RQ4 再生可能エネルギーの統合が進む系統において、SHAPベースの分析が運用および計画意思決定をどの程度支援できるか。
• RQ5 SHAPベースの解釈は、システムパラメータと瞬時安定性限界との間の隠れた関係を効果的に解明できるか。

主な発見

• SHAP値は、発電機の慣性や風力発電の導入率といった、各バスバーラインの臨界遮断時間に最も顕著に影響を与えるシステム変数を的確に同定した。
• システム変数とそのSHAP値との間の共分散分析により、変化が安定性境界に与える影響について、一貫性があり地点依存のトレンドが明らかになった。
• この手法により、風力発電の変動性が安定性に与える影響が非一様であることが判明し、特定のバスでは他のバスよりも高い感度を示すことが明らかになった。
• システムの複雑化と不確実性の増大に伴う安定性境界挙動について、解釈可能で実用的なインサイトを提供した。
• SHAPの活用により、予測性能を損なうことなく、高精度なブラックボックス機械学習モデルの透明な解釈が可能になった。