[논문 리뷰] Artificial Neural Network For Transient Stability Assessment: A Review

Umair Shahzad|arXiv (Cornell University)|2022. 06. 13.

Power System Optimization and Stability인용 수 4

한 줄 요약

이 리뷰 논문은 현대 전력 시스템에서 일시적 안정성 평가(TSA)에 인공 신경망(ANN)을 적용하는 데 대해 평가하며, 고율의 재생 가능 에너지 통합과 시스템 불확실성으로 인해 발생하는 과제를 다룹니다. ANN 기반 TSA 방법에 관한 기존 연구를 종합적으로 분석하여 아키텍처, 훈련 전략, 성능 평가 지표를 강조하며, 전력 시스템 안정성 및 보안 분야에서 기계 학습 기술의 발전을 위한 종합적인 기반을 제공합니다.

ABSTRACT

Integration of large-scale renewable energy sources and increasing uncertainty has drastically changed the dynamics of power system and has consequently brought various challenges. Rapid transient stability assessment of modern power system is a vital requirement for accurate power system planning and operation. The conventional methods are unable to fulfil this requirement. Therefore, novel approaches are required in this regard. Machine leaning approaches such as artificial neural network can play a significant role in this regard. Therefore, this paper aims to review the application of artificial neural network for transient stability assessment of power systems. It is believed that this work will provide a solid foundation for researchers in the domain of machine learning applications to power system security and stability.

연구 동기 및 목표

• 재생 가능 에너지 자원의 고율 통합과 시스템 불확실성으로 인해 증가하는 현대 전력 시스템에서의 일시적 안정성 평가 과제를 다루기 위해.
• 실시간 적용에 장애가 되는 전통적 일시적 안정성 평가 방법의 한계를 규명하기 위해.
• 인공 신경망(ANN)을 활용한 일시적 안정성 평가 분야의 최근 발전 사항을 리뷰하고 종합하기 위해.
• 기계 학습을 전력 시스템 안정성 및 보안 분야에서 탐색하는 연구자들에게 체계적인 기반을 제공하기 위해.
• TSA 연구에서 사용된 주요 ANN 아키텍처, 데이터 전처리 기법, 성능 평가 지표를 부각하기 위해.

제안 방법

• 2000년에서 2022년 사이의 ANN 기반 일시적 안정성 평가에 관한 체계적인 동료 심사 논문 리뷰를 수행함.
• 아키텍처(예: 전방전파, 순환, 딥 신경망) 및 적용 맥락에 따라 ANN 모델을 분류함.
• 입력 특징 선택 방법을 분석함. 여기에는 전력 시스템 상태 변수와 고장 후 시스템 궤적 등이 포함됨.
• 역전파, 최적화 알고리즘, 데이터 증강 전략 등의 훈련 기법을 평가함.
• 다양한 연구에서의 성능 지표를 비교함. 여기에는 정확도, 계산 속도, 일반화 능력 등이 포함됨.
• 해석 가능성, 예측되지 않은 정전 사고에 대한 강건성, 실시간 구현 제약 등 도전 과제를 논의함.

실험 결과

연구 질문

• RQ1 현대 전력 시스템에서 일시적 안정성 평가에 가장 효과적인 인공 신경망 아키텍처는 무엇인가요?
• RQ2 다양한 입력 특징 세트와 데이터 전처리 기법은 ANN의 TSA 성능에 어떤 영향을 미치나요?
• RQ3 ANN 기반 TSA 방법을 평가하는 데 사용되는 주요 성능 지표는 무엇이며, 기존 방법과 비교해 보면 어떻게 되나요?
• RQ4 실제 전력 시스템에서 실시간 일시적 안정성 평가를 위한 ANN의 구현에 있어 주요 과제는 무엇인가요?
• RQ5 최근의 딥 러닝 및 전이 학습 기술의 발전은 ANN 기반 TSA의 정확도와 강건성에 어떤 영향을 미치나요?

주요 결과

• 전방전파 및 딥 전방전파 신경망은 간단함과 높은 정확도로 인해 일시적 안정성 평가에 가장 널리 사용됨.
• ANN 기반 방법은 IEEE 39-bus 및 IEEE 118-bus 시스템을 포함한 여러 벤치마크 시스템에서 95% 이상의 분류 정확도를 달성함.
• 순환 신경망(RNN)과 장기 단기 기억(LSTM) 네트워크는 고장 유도 시스템 궤적의 시간적 동역학을 더 잘 포착함에 따라 성능 향상이 뚜렷함.
• 정규화 및 특징 선택과 같은 데이터 전처리 기법은 모델의 일반화 능력을 향상시키고 과적합을 감소시킴.
• 높은 정확도에도 불구하고, 모델의 해석 가능성, 예측되지 않은 정전 사고에 대한 강건성, 그리고 위상 측정 장치(PMU) 기반 데이터에 대한 실시간 구현에 대한 과제가 여전히 존재함.
• 이 리뷰는 ANN 기반 TSA 모델에 대한 표준화된 벤치마크와 교차 시스템 검증의 연구 격차를 규명하며, 통합된 평가 프로토콜의 필요성을 강조함.