[논문 리뷰] Anticipating contingengies in power grids using fast neural net screening

Benjamin Donnot, Isabelle Guyon외 3명|arXiv (Cornell University)|2018. 05. 03.

Power System Optimization and Stability참고 문헌 19인용 수 9

한 줄 요약

이 논문은 전력망 정전 사고(특히 N-1 및 N-2 선로 정전)의 심각도를 순위 매겨 우선순위를 정하는 빠른 신경망 스크리닝 방법을 제안한다. N-1 정전 사고의 소수의 데이터로 훈련된 모델은 단 3~4회의 시뮬레이션으로 거의 최적에 가까운 위험 감소를 달성하며, 기존의 N-1 기준에 비해 계산 비용을 50배 이상 절감하면서도 위험한 사고를 먼저 우선순위로 삼아 높은 안전성을 유지한다.

ABSTRACT

We address the problem of maintaining high voltage power transmission networks in security at all time. This requires that power flowing through all lines remain below a certain nominal thermal limit above which lines might melt, break or cause other damages. Current practices include enforcing the deterministic "N-1" reliability criterion, namely anticipating exceeding of thermal limit for any eventual single line disconnection (whatever its cause may be) by running a slow, but accurate, physical grid simulator. New conceptual frameworks are calling for a probabilistic risk based security criterion and are in need of new methods to assess the risk. To tackle this difficult assessment, we address in this paper the problem of rapidly ranking higher order contingencies including all pairs of line disconnections, to better prioritize simulations. We present a novel method based on neural networks, which ranks "N-1" and "N-2" contingencies in decreasing order of presumed severity. We demonstrate on a classical benchmark problem that the residual risk of contingencies decreases dramatically compared to considering solely all "N-1" cases, at no additional computational cost. We evaluate that our method scales up to power grids of the size of the French high voltage power grid (over 1000 power lines).

연구 동기 및 목표

• 전력망 안전 평가에서 발생하는 계산적 병목 현상을 해결하기 위해 빠르게 가장 심각한 정전 사고를 식별하고자 한다.
• 느린 전면 시뮬레이션에 대한 의존도를 줄이기 위해 고위험 사건을 우선순위로 정하기 위해 빠른 대체 모델을 사용하고자 한다.
• N-1 기준의 결정론적 평가를 넘어서 더 높은 차수의 정전 사고(예: N-2)를 효율적으로 평가할 수 있도록 위험 평가를 향상시키고자 한다.
• 안전 중심 운영 기준에 부합하기 위해 위험한 사고를 높은 정확도로 식별하면서도 거짓 경보를 최소화하고자 한다.
• 프랑스 EHV 전력망을 포함한 실제 전력망 벤치마크에서 이 방법의 확장성과 강건성을 입증하고자 한다.

제안 방법

• 물리적 전력 흐름 시뮬레이터의 출력을 근사하기 위해 전방향 신경망을 훈련하여, 다양한 정전 상황에서 선로의 열적 한계를 예측한다.
• 훈련된 네트워크를 사용해 각 정전 사고의 심각도를 선로가 열적 한계에 얼마나 가까이 다가가는지에 따라 점수를 매기며, 이를 심각도의 대체 지표로 사용한다.
• 예측된 심각도가 높은 순서로 모든 정전 사고를 내림차순으로 정렬하여, 느리지만 정확한 시뮬레이터 실행을 우선순위로 정한다.
• 훈련 데이터에 N-1만 포함된 경우에도 단일 선로 정전(N-1) 및 이중 선로 정전(N-2) 시나리오 모두에 이 방법을 적용한다.
• 순위 매김 성능 평가에 Gini 계수와 잔여 위험 지표를 사용하며, 계산 비용은 필요로 하는 시뮬레이션 수로 측정한다.
• 이식성 활용: 모델은 예측되지 않은 정전 사고로도 일반화되며, 훈련 데이터와 테스트 데이터 간의 분포 변화에도 성능을 유지한다.

실험 결과

연구 질문

• RQ1 빠른 신경망 대체 모델이 정전 사고의 심각도를 효과적으로 순위 매길 수 있는가? 기존의 표준 N-1 기준보다 우수한가?
• RQ2 N-1 정전 사고로만 훈련된 모델이 위험한 N-2 정전 사고를 얼마나 잘 일반화하여 식별할 수 있는가?
• RQ3 전체 시뮬레이션 수를 최소화하면서 잔여 위험을 얼마나 줄일 수 있는가?
• RQ4 안전 중심 환경에서 히트율과 거짓 경보율 간의 상충 관계는 어떻게 되며, 이 방법은 높은 히트율을 선호하는가?
• RQ5 이 방법은 프랑스 초고압 전력망과 같은 대규모 전력망에 적용 가능한가?

주요 결과

• 신경망 방법은 평균적으로 3회의 시뮬레이션으로 잔여 위험 0.44(R*)을 달성하여 기존 TSO 운영 전략을 초월하고 최적 기준에 근접했다.
• N-1 정책에 비해 계산 비용을 50배 이상 절감하여 시뮬레이션 예산의 2%만으로도 충분했다.
• 모든 가능한 N-1 정전 사고 중 0.5%의 데이터로만 훈련된 모델이 위험 감소 측면에서 표준 N-1 기준을 뛰어넘었다.
• 모델은 위험한 N-1 정전 사고를 먼저 우선순위로 삼고, 그 다음으로 악성 N-2 사고를 순위 매겨 매우 높은 히트율과 위험 회피 성향을 보였다.
• 모델은 분포 이동에 강건했다: 새로운 예측되지 않은 정전 사고에 대해 테스트했을 때 성능이 향상되었으며, 그림 3에서 이를 확인할 수 있었다.
• 이 방법은 대규모 시스템으로도 확장 가능했으며, 프랑스 EHV 전력망에 대해 예상 속도 향상은 2,000배 이상이었다.