[논문 리뷰] Artificial Intelligence Assisted Power Grid Hardening in Response to Extreme Weather Events

Rozhin Eskandarpour, Amin Khodaei외 2명|arXiv (Cornell University)|2018. 10. 05.

Power Systems Fault Detection참고 문헌 13인용 수 8

한 줄 요약

이 논문은 극한 기상에 대비해 전력 격자 내구성을 동시에 최적화하는 AI 기반 격자 강화 프레임워크를 제안한다. 기계 학습 모델을 활용해 구성 요소의 정지 여부를 예측하고, 분산형 발전 장치(DG)의 전략적 배치를 위한 공최적화 모델을 사용함으로써, IEEE 118-bus 시스템에서 다양한 구성 요소의 정지 위험을 줄이며 시스템의 강건성을 향상시킨다.

ABSTRACT

In this paper, an artificial intelligence based grid hardening model is proposed with the objective of improving power grid resilience in response to extreme weather events. At first, a machine learning model is proposed to predict the component states (either operational or outage) in response to the extreme event. Then, these predictions are fed into a hardening model, which determines strategic locations for placement of distributed generation (DG) units. In contrast to existing literature in hardening and resilience enhancement, this paper co-optimizes grid economic and resilience objectives by considering the intricate dependencies of the two. The numerical simulations on the standard IEEE 118-bus test system illustrate the merits and applicability of the proposed hardening model. The results indicate that the proposed hardening model through decentralized and distributed local energy resources can produce a more robust solution that can protect the system significantly against multiple component outages due to an extreme event.

연구 동기 및 목표

• 극한 기상 사건에 대비한 AI 지원 강화를 통해 전력 격자 내구성을 향상시키기 위해.
• 격자 계획 수립 시 경제성과 내구성 목표를 동시에 최적화하기 위해.
• 기계 학습을 활용해 극한 기상 조건 하에서 구성 요소의 정지 여부를 모델링하고 예측하기 위해.
• 시스템 강건성을 향상시키기 위해 분산형 발전(DG) 장치의 최적 설치 위치를 결정하기 위해.
• 표준 시험 시스템에서 탈중앙화된, AI 기반 강화의 효과를 입증하기 위해.

제안 방법

• 기계 학습 모델이 극한 기상 영향에 따른 구성 요소 상태(정상 또는 정지)를 예측한다.
• 예측된 구성 요소 상태가 강화 최적화 모델의 입력으로 사용된다.
• 강화 모델은 분산형 발전(DG) 장치의 전략적 배치를 통해 내구성과 경제성 목표를 동시에 최적화한다.
• 예측 분석과 운영 의사결정을 통합하여 격자 내구성을 향상시킨다.
• 경제 비용과 내구성 성능 간의 복잡한 상호의존성을 고려한 최적화를 수행한다.
• 수치 시뮬레이션을 통해 IEEE 118-bus 시험 시스템에서 접근 방식의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 기계 학습을 통해 극한 기상으로 인한 전력 격자 구성 요소의 정지 여부를 얼마나 정확하게 예측할 수 있는가?
• RQ2 극한 기상 조건에서 내구성을 극대화하기 위해 분산형 발전 장치를 어디에 설치하는 것이 최적인가?
• RQ3 격자 강화 과정에서 경제성과 내구성 목표를 어떻게 동시에 최적화할 수 있는가?
• RQ4 AI 지원 강화가 다중 구성 요소 정지에 대한 시스템 취약성을 얼마나 줄이는가?
• RQ5 기존 방법과 비교해 제안된 프레임워크가 격자 강건성을 얼마나 효과적으로 향상시키는가?

주요 결과

• 제안된 AI 지원 강화 모델은 극한 기상 사건에 대비한 전력 격자 내구성을 크게 향상시킨다.
• 전략적 DG 설치를 통해 시스템의 다중 구성 요소 정지에 대한 취약성을 감소시킨다.
• 경제성과 내구성 목표의 공최적화는 더 강건하고 비용 효율적인 솔루션을 도출한다.
• 프레임워크는 표준 IEEE 118-bus 시스템에서 적용 가능성과 효과성을 입증한다.
• 탈중앙화된 분산 에너지 자원은 극한 조건 하에서도 시스템의 강건성을 향상시킨다.
• 결과는 AI 기반 예측과 최적화가 뛰어난 내구성 성과를 도출함을 확인한다.