[논문 리뷰] Bayesian State Estimation for Unobservable Distribution Systems via Deep Learning

Kursat Rasim Mestav, Jaime Luengo-Rozas외 1명|arXiv (Cornell University)|2018. 11. 07.

Water Systems and Optimization참고 문헌 50인용 수 11

한 줄 요약

이 논문은 스마트 미터 데이터를 활용하여 관측 불가능한 배전 시스템의 딥 러닝 기반 베이지안 상태 추정 프레임워크를 제안한다. 이는 전력 주입 분포를 학습하고 실시간 최소 평균 제곱 오차 상태 추정을 위한 신경망을 훈련시킨다. 이 방법은 다중 시간스케일에서 측정값이 누락되거나 지연되거나 일관성이 없더라도 저비용·저연산량으로 강건한 추정을 가능하게 하여, 가짜 측정 기법보다 뛰어난 성능을 발휘한다.

ABSTRACT

The problem of state estimation for unobservable distribution systems is considered. A deep learning approach to Bayesian state estimation is proposed for real-time applications. The proposed technique consists of distribution learning of stochastic power injection, a Monte Carlo technique for the training of a deep neural network for state estimation, and a Bayesian bad-data detection and filtering algorithm. Structural characteristics of the deep neural networks are investigated. Simulations illustrate the accuracy of Bayesian state estimation for unobservable systems and demonstrate the benefit of employing a deep neural network. Numerical results show the robustness of Bayesian state estimation against modeling and estimation errors and the presence of bad and missing data. Comparing with pseudo-measurement techniques, direct Bayesian state estimation via deep learning neural network outperforms existing benchmarks.

연구 동기 및 목표

• 제한적이고 신뢰도가 떨어지거나 지연되는 측정값이 있는 관측 불가능한 배전 시스템에서 상태 추정 문제를 해결하기 위해.
• 기존의 히وري스틱 보간 또는 역사적 예측에 의존하는 전통적 가짜 측정 기법의 한계를 극복하기 위해, 시간 해상도가 낮은 기법을 개선하기 위해.
• 다양한 시간스케일에서 이질적인 데이터 소스(예: 스마트 미터 및 SCADA)를 통합하는 실시간, 계산 비용이 낮은 상태 추정 방법을 개발하기 위해.
• 베이지안 추론 프레임워크를 통해 모델링 오차, 나쁜 데이터, 측정값 누락 상황에서도 강건한 상태 추정을 가능하게 하기 위해.
• 느린 시간스케일의 스마트 미터 데이터로부터 전력 주입의 기본 확률 분포를 학습하여 딥 뉴럴 네트워크 추정기 훈련에 활용하기 위해.

제안 방법

• 정적 조건과 공통된 물리적 모델을 가정할 때, 스마트 미터 데이터에 대해 가우시안 믹스처 모델을 적합하여 빠른 시간스케일 전력 주입의 분포를 추정한다.
• AR-K 과정 모델을 사용하여 T 간격 동안 집계된 스마트 미터 데이터의 분산과 개별적인 빠른 시간 주입의 분산을 연결함으로써, 느린 측정값으로부터 분포 학습을 가능하게 한다.
• 몬테카를로 샘플링을 통해 훈련된 딥 뉴럴 네트워크를 사용하여 시스템 상태의 최소 평균 제곱 오차(MMSE) 베이지안 추정기의 근사치를 도출한다.
• 비선형 다층 구조를 갖는 네트워크 아키텍처를 설계하였으며, ReLU 활성화 함수와 학습 가능한 가중치를 사용하여 측정값에서 상태 추정치로의 매핑을 수행한다.
• 사전 추정 단계에서 베이지안 나쁜 데이터 탐지 및 필터링 알고리즘을 통합하여 오류가 있거나 누락된 측정값에 대한 강건성을 향상시킨다.
• 측정값과 상태의 결합 분포를 데이터로부터 학습함으로써, 전체 시스템의 관측 가능성이 필요 없이 추정을 수행할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 몬테카를로 샘플링을 통해 훈련된 딥 뉴럴 네트워크가 관측 불가능한 배전 시스템의 베이지안 MMSE 추정기를 효과적으로 근사할 수 있는가?
• RQ2 가우시안 믹스처와 AR 과정 모델을 사용하여 느린 시간스케일의 스마트 미터 데이터로부터 전력 주입 분포를 얼마나 정확하게 추론할 수 있는가?
• RQ3 측정값 누락 또는 나쁜 데이터 상황에서, 가짜 측정 기반 접근법에 비해 제안된 방법이 추정 정확도와 강건성에서 얼마나 향상되는가?
• RQ4 실시간 응용에서 기존의 WLS 방법에 비해 딥 러닝 기반의 베이지안 추정기의 계산적 이점은 무엇인가?
• RQ5 15분 단위 스마트 미터 데이터와 분당 이하의 SCADA 측정값 간의 측정 시간스케일 불일치 문제를 어떻게 처리하는가?

주요 결과

• 제안된 딥 러닝 기반의 베이지안 상태 추정기는 데이터 부족 또는 오염 상황에서도 벤치마크 가짜 측정 기법보다 훨씬 높은 정확도를 달성한다.
• 베이지안 프레임워크의 내재된 불확실성 정량화 기능 덕분에 모델링 오차, 나쁜 데이터, 측정값 누락 상황에서도 강건한 성능을 보인다.
• 신경망 기반 추정기의 계산 비용은 기존의 WLS 방법에 비해 수 개의 지수 차수 낮아 실시간 구현이 가능하다.
• 스마트 미터 데이터로부터 학습된 주입 분포 덕분에 직접 측정값이 없더라도 빠른 시간스케일 전력 주입을 정확하게 추정할 수 있다.
• 빠른 시간 주입의 시간적 상관관계를 모델링하기 위해 AR-K 과정을 사용함으로써, 집계된 스마트 미터 분산으로부터 개별 주입 분산을 정밀하게 유도할 수 있었다.
• 제안된 프레임워크는 스마트 미터 데이터의 느린 속도와 SCADA 측정의 빠른 속도 간의 불일치 문제를, 기초적인 확률적 주입 역학을 학습함으로써 효과적으로 완화하였다.