[논문 리뷰] Anomaly Classification in Distribution Networks Using a Quotient Gradient System

Hamid Khodabandehlou, Iman Niazazari외 2명|arXiv (Cornell University)|2018. 05. 14.

Power Quality and Harmonics참고 문헌 28인용 수 4

한 줄 요약

이 논문은 고정밀도 PMU 데이터를 사용하여 배전망에서의 이상 현상을 분류하기 위해 Quotient Gradient System (QGS)로 훈련된 이단계 부분 순환 신경망을 제안한다. 복소수 측정값을 제약 만족 문제로 변환함으로써 QGS는 정상적인 이상 탐지 정확도를 향상시키기 위한 강건한 최적화를 가능하게 하며, PMU 수, 보고 빈도, 노이즈, 데이터 융합 시점 등에 매우 민감한 시뮬레이션 환경에서 기존의 신경망 분류기들을 능가한다.

ABSTRACT

The classification of anomalies or sudden changes in power networks versus normal abrupt changes or switching actions is essential to take appropriate maintenance actions that guarantee the quality of power delivery. This issue has increased in importance and has become more complicated with the proliferation of volatile resources that introduce variability, uncertainty, and intermittency in circuit behavior that can be observed as variations in voltage and current phasors. This makes diagnostics applications more challenging. This paper proposes using quotient gradient system (QGS) to train two-stage partially recurrent neural network to improve anomaly classification rate in power distribution networks using high-fidelity data from micro-phasor measurement units (PMUs). QGS is a systematic approach to finding solutions of constraint satisfaction problems. We transform the PMUs data from the power network into a constraint satisfaction problem and use QGS to train a neural network by solving the resulting optimization problem. Simulation results show that the proposed supervised classification method can reliably distinguish between different anomalies in power distribution networks. Comparison with other neural network classifiers shows that QGS trained networks provide significantly better classification. Sensitivity analysis is performed concerning the number of PMUs, reporting rates, noise level and early versus late data stream fusion frameworks.

연구 동기 및 목표

• 증가하는 변동성이 큰 재생 가능 자원의 통합으로 인해 진정한 이상과 정상적인 스위칭 이벤트를 구분하는 데 점점 더 어려움을 겪고 있는 문제를 해결하기 위해.
• 간헐적인 발전으로 인한 전압 및 전류 복소수 측정값의 변동성 존재 하에서 이상 분류의 신뢰성과 정확도를 향상시키기 위해.
• 실시간 PMU 데이터에서 발생하는 제약 만족 문제를 다룰 수 있는 신경망에 대한 체계적인 훈련 프레임워크를 개발하기 위해.
• PMU 밀도, 보고 빈도, 노이즈 수준, 데이터 융합 전략 등 다양한 운영 조건에서 제안된 방법의 강건성을 평가하기 위해.

제안 방법

• 배전망의 고정밀도 PMU 데이터를 이상 탐지 문제를 최적화 과제로 표현하는 제약 만족 문제(CSP)로 변환한다.
• 제약 만족 문제를 해결하기 위한 체계적인 방법인 Quotient Gradient System (QGS)을 사용하여 이단계 부분 순환 신경망(PRNN)을 훈련시킨다.
• 유한한 해의 다양체를 따라 이동하면서 QGS를 활용해 최적화 문제를 해결함으로써 타당한 분류 결과로 수렴함을 보장한다.
• 시간적 종속성을 모델링하고 전력 시스템 내 일시적인 사건의 분류를 향상시키기 위해 이단계 PRNN 아키텍처를 설계한다.
• 시간 처리 영향을 분류 성능에 미치는 영향을 평가하기 위해 초기 및 후기 데이터 스트림 융합 프레임워크를 통합한다.
• 핵심 시스템 파라미터인 PMU 수, 보고 빈도, 노이즈 수준, 융합 시점에 대한 민감도 분석을 수행한다.

실험 결과

연구 질문

• RQ1 QGS로 훈련된 신경망은 실제 세계의 변동성 조건 하에서도 높은 정확도로 분포망의 이상을 신뢰성 있게 분류할 수 있는가?
• RQ2 PMU 수가 제안된 QGS 기반 방법의 분류 성능에 어떤 영향을 미치는가?
• RQ3 PMU 보고 빈도와 노이즈 수준은 이상 분류 시스템의 강건성에 어떤 영향을 미치는가?
• RQ4 초기 융합 대비 후기 융합 전략이 제안된 프레임워크 내 분류 결과에 어떤 영향을 미치는가?
• RQ5 QGS 기반 훈련 방법은 기존의 표준 신경망 훈련 방법에 비해 분류 정확도를 상당히 향상시키는가?

주요 결과

• QGS로 훈련된 신경망은 시뮬레이션된 분포망 환경에서 기존의 신경망 분류기들보다 유의미하게 높은 이상 분류 정확도를 달성한다.
• 다양한 PMU 수에 걸쳐 강건한 성능을 보이며, 센서 밀도가 감소한 경우에도 분류 정확도가 유지된다.
• 높은 PMU 보고 빈도는 분류 신뢰도를 향상시키며, 실시간 모니터링 표준과 일치하는 샘플링 간격에서 최적의 성능을 기록한다.
• 중간 수준의 노이즈 수준에 대해서도 시스템은 내성적으로 강건하며, 현실적인 측정 불확실성 하에서도 높은 분류 정확도를 유지한다.
• 후기 데이터 스트림 융합이 초기 융합에 비해 항상 더 높은 분류 정확도를 기록함으로써, 시간적 맥락이 이상 탐지에 핵심적임을 시사한다.
• 민감도 분석을 통해 방법의 안정성과 다양한 운영 구성에 대한 적응 가능성이 확인되어 실용적 구현을 뒷받침한다.