[논문 리뷰] A Review of Neural Network Based Machine Learning Approaches for Rotor Angle Stability Control

Reza Yousefian, Sukumar Kamalasadan|arXiv (Cornell University)|2017. 01. 05.

Power System Optimization and StabilityEngineering참고 문헌 80인용 수 21

한 줄 요약

이 논문은 현대 전력 시스템에서 로터 각도 안정성 제어를 위한 신경망 기반 기계학습 기법—특히 강화학습(RL)과 지도학습(SL)—을 검토한다. 넓은 지역 모니터링 및 제어, 일시적 안정성 평가, 재생 가능 에너지 통합 분야에서의 효과성을 평가하며, 비선형성과 불확실성을 다루는 데서 고전적 제어기보다 RL 및 SL 방법이 뛰어난 성능을 보임을 입증한다.

ABSTRACT

This paper reviews the current status and challenges of Neural Networks (NNs) based machine learning approaches for modern power grid stability control including their design and implementation methodologies. NNs are widely accepted as Artificial Intelligence (AI) approaches offering an alternative way to control complex and ill-defined problems. In this paper various application of NNs for power system rotor angle stabilization and control problem is discussed. The main focus of this paper is on the use of Reinforcement Learning (RL) and Supervised Learning (SL) algorithms in power system wide-area control (WAC). Generally, these algorithms due to their capability in modeling nonlinearities and uncertainties are used for transient classification, neuro-control, wide-area monitoring and control, renewable energy management and control, and so on. The works of researchers in the field of conventional and renewable energy systems are reported and categorized. Paper concludes by presenting, comparing and evaluating various learning techniques and infrastructure configurations based on efficiency.

연구 동기 및 목표

• 현대 전력 시스템에서 로터 각도 안정성 제어를 위한 신경망 기반 기계학습 기법의 현재 상태를 평가하는 것.
• 지도학습(SL)과 강화학습(RL)의 넓은 지역 제어(WAC) 및 일시적 안정성 평가에 대한 응용을 분석하는 것.
• 비선형성, 불확실성, 시간에 따라 변화하는 동역학을 다룰 때 인공지능 기반 제어기와 고전적 제어 방법 간의 성능 비교.
• 실시간 전력 시스템 응용에서 학습 기반 제어기의 구현 과제와 신뢰성 우려 사항을 검토하는 것.
• 신경망이 재생 가능 에너지 통합 시스템에서 전압 및 전력 진동 제어에 어떻게 기여하는지 평가하는 것.

제안 방법

• 논문은 전력 시스템 동역학에 적용된 다양한 신경망 아키텍처, 특히 딥 네ural 네트워크와 반경기저함수 네트워크(RBFNN)를 검토한다.
• 시스템 모델링, 제어, 예측에 대한 레이블이 부여된 입력-출력 데이터를 사용하는 지도학습(SL) 방법을 분석하여 마이크로그리드 및 재생 가능 에너지 통합 분야에 적용한다.
• 시스템과의 상호작용을 통해 최적의 제어 정책 학습을 위한 적응형 동적 프로그래밍(ADP) 및 히우리스틱 동적 프로그래밍(HDP)과 같은 강화학습(RL) 기법을 평가한다.
• 광역 모니터링 및 제어(WAM)에 대한 적응형 크리틱 설계(ACD) 및 신경망 기반 제어기의 응용을 검토하며, 특히 지역 간 진동 감쇠에 초점을 맞춘다.
• 클러스터링을 통한 동적 일치 영역 식별 및 고장 후 시스템 행동 분류를 포함한 일시적 안정성 평가에 대한 신경망의 사용을 평가한다.
• 계산 효율성, 정확도, 실시간 적용 가능성 기준으로 다양한 인프라 구성 및 학습 기법 간 비교 분석을 수행한다.

실험 결과

연구 질문

• RQ1 강화학습과 지도학습 알고리즘이 대규모 전력 시스템에서 로터 각도 안정성을 향상시키는 데 얼마나 효과적인가?
• RQ2 고도로 재생 가능 에너지가 통합된 전력 시스템에서 광역 제어(WAC)에 신경망을 사용할 때의 주요 장점과 한계는 무엇인가?
• RQ3 비선형성과 불확실성을 다룰 때 인공지능 기반 제어기와 고전적 제어 방법 간의 성능 비교는 어떻게 이루어지는가?
• RQ4 실시간 전력 시스템 응용에서 학습 기반 제어기를 구현할 때의 주요 과제는 무엇인가?
• RQ5 다중 정전 사고가 발생하는 전력 시스템에서 신경망이 일시적 안정성 평가 및 제어를 얼마나 향상시킬 수 있는가?

주요 결과

• 특히 강화학습(RL)을 사용하는 신경망 기반 제어기는 지역 간 진동 감쇠와 고장 조건 하에서의 일시적 안정성 향상에 뛰어난 성능을 보인다.
• 지도학습(SL) 방법은 비선형 시스템 동역학을 효과적으로 모델링하며, 마이크로그리드 제어, DFIG 기반 풍력 터빈, 정류기/인vert 기반 제어에 성공적으로 적용되어 PID 제어기보다 뛰어난 동적 반응을 보였다.
• 적응형 동적 프로그래밍(ADP) 및 히우리스틱 동적 프로그래밍(HDP)을 사용하는 RL 기반 제어기는 광역 제어 체계에서 뛰어난 적응성과 예측 능력을 보였다.
• 특히 재생 가능 에너지 통합 시스템에서 고전적 제어기보다 신경망이 불확실성과 비선형성을 더 잘 다룰 수 있음을 입증했다.
• 광역 모니터링(WAM)에서 RBFNN의 사용은 일시적 사건 동안 시스템 반응을 향상시켰지만, 통신 지연 및 다수의 풍력 발전소 통합 문제는 여전히 해결이 필요한 과제이다.
• 다소 유망한 결과에도 불구하고 학습 기반 제어기의 히우리스틱 성격과 고차원성으로 인해 신뢰성에 우려가 제기되어 실시간 전력 시스템에의 완전한 도입이 제한된다.