[논문 리뷰] A Learning-to-Infer Method for Real-Time Power Grid Topology Identification.

Yue Zhao, Jianshu Chen외 1명|arXiv (Cornell University)|2017. 10. 21.

Power System Optimization and Stability인용 수 9

한 줄 요약

이 논문은 변분 추론과 판별 학습을 활용하여 실시간 전력망 구조 식별을 위한 학습-추론 방법을 제안한다. 몬테카를로 전력 흐름 시뮬레이션을 통해 대규모 합성 훈련 데이터를 생성함으로써, 단순한 모델과 제한된 데이터로도 높은 정확도를 달성하는 효율적인 분류기들을 훈련시킨다. 이는 IEEE 30, 118, 300 버스 시스템에서 뛰어난 성능을 보여준다.

ABSTRACT

Identifying arbitrary topologies of power networks in real time is a computationally hard problem due to the number of hypotheses that grows exponentially with the network size. A new variational inference method is developed for efficient inference of every line status in the network. Optimizing the variational model is transformed to and solved as a discriminative learning problem based on Monte Carlo samples generated with power flow simulations. A major advantage of the developed Learning-to-Infer method is that the labeled data used for training can be generated in an arbitrarily large amount fast and at very little cost. As a result, the power of offline training is fully exploited to learn very complex classifiers for effective real-time topology identification. The proposed methods are evaluated in the IEEE 30, 118 and 300 bus systems. Excellent performance in identifying arbitrary power network topologies in real time is achieved even with relatively simple variational models and a reasonably small amount of data.

연구 동기 및 목표

• 네트워크 구성이 기하급수적으로 증가함에 따라 실시간 전력망 구조 식별의 계산 비용이 과도해지는 문제를 해결하기 위해.
• 실제 측정치의 비용이 높은 데 비해, 훈련을 위한 대규모 합성 데이터 생성을 가능하게 하여 이를 줄이기 위해.
• 오프라인 훈련을 활용하여 실시간으로 신속하고 정확한 구조 식별을 달성할 수 있는 확장 가능한 추론 프레임워크를 개발하기 위해.
• IEEE 30, 118, 300 버스 시스템을 포함한 다양한 네트워크 크기에서 메서드의 강인성과 정확도를 평가하기 위해.

제안 방법

• 전력망 내 각송전선로의 상태를 추정하기 위해 변분 추론 모델을 수립한다.
• 전력 흐름 시뮬레이션에서 유도된 몬테카를로 표본을 활용해 변분 모델 최적화를 판별 학습 문제로 변환한다.
• 시뮬레이션 기반 샘플링을 통해 빠르고 저비용으로 레이블이 부여된 훈련 데이터를 생성하여 대규모 데이터 합성 가능하게 한다.
• 이 합성 데이터를 사용해 복잡한 분류기를 오프라인으로 훈련시어 실시간 효율적 추론을 지원한다.
• 확률적 모델링과 판별 학습을 융합하여 정확도와 계산 효율성의 균형을 이룬다.
• 신규 측정치에 대해 사전에 훈련된 분류기를 활용하여 최종 추론 시스템이 실시간으로 작동한다.

실험 결과

연구 질문

• RQ1 대규모 전력망에서 높은 정확도의 실시간 구조 식별을 달성할 수 있는 확장 가능한 기계학습 기반 방법이 존재하는가?
• RQ2 전력 흐름 시뮬레이션에서 유도된 합성 데이터 생성이 강건한 구조 식별 분류기 훈련에 얼마나 효과적인가?
• RQ3 제한된 양이지만 대규모 합성 데이터로 훈련된 단순한 변분 모델이 얼마나 높은 성능을 낼 수 있는가?
• RQ4 이 메서드는 다양한 네트워크 크기와 구조에서 어떻게 성능을 보이는가?

주요 결과

• 비교적 단순한 변분 모델을 사용함에도 불구하고, IEEE 30, 118, 300 버스 시스템에서 뛰어난 실시간 구조 식별 성능을 달성한다.
• 합성 데이터 생성의 효과 덕분에 비교적 소량의 훈련 데이터로도 높은 정확도를 확보할 수 있다.
• 몬테카를로 표본 기반 합성 데이터 사용이 훈련을 위한 대규모 저비용 데이터 생성을 가능하게 한다.
• 판별 학습 접근법이 오프라인 훈련에서의 지식을 실시간 추론으로 효과적으로 전이한다.
• 다양한 네트워크 크기와 구조에 걸쳐 뛰어난 일반화 성능을 보여준다.