[논문 리뷰] Closing the Loop: A Framework for Trustworthy Machine Learning in Power Systems

Jochen Stiasny, Samuel Chevalier외 3명|arXiv (Cornell University)|2022. 03. 14.

Energy Load and Power Forecasting인용 수 10

한 줄 요약

이 논문은 전력 시스템에서 신뢰할 수 있는 기계학습을 위한 피드백 기반 닫힘 루프 프레임워크를 제안한다. 물리 기반 데이터 생성, 적응형 샘플링, 피드백 기반 모델 정련을 통합하여 N-1 소신호 안정성 예측 성능을 향상시킨다. 반복적 평가 및 재학습 루프를 통합함으로써 북해 풍력허브 대규모 시뮬레이션에서 최대 83.9%의 정확도와 0.288의 MSE를 달성하여 안정성 평가가 중요한 응용 분야에서 모델의 신뢰성과 신뢰도를 크게 향상시킨다.

ABSTRACT

Deep decarbonization of the energy sector will require massive penetration of stochastic renewable energy resources and an enormous amount of grid asset coordination; this represents a challenging paradigm for the power system operators who are tasked with maintaining grid stability and security in the face of such changes. With its ability to learn from complex datasets and provide predictive solutions on fast timescales, machine learning (ML) is well-posed to help overcome these challenges as power systems transform in the coming decades. In this work, we outline five key challenges (dataset generation, data pre-processing, model training, model assessment, and model embedding) associated with building trustworthy ML models which learn from physics-based simulation data. We then demonstrate how linking together individual modules, each of which overcomes a respective challenge, at sequential stages in the machine learning pipeline can help enhance the overall performance of the training process. In particular, we implement methods that connect different elements of the learning pipeline through feedback, thus "closing the loop" between model training, performance assessments, and re-training. We demonstrate the effectiveness of this framework, its constituent modules, and its feedback connections by learning the N-1 small-signal stability margin associated with a detailed model of a proposed North Sea Wind Power Hub system.

연구 동기 및 목표

• 확률적 재생 가능 에너지원과 인버터 기반 자원의 전력망 통합 증가에 따라 복잡해지는 전력망 안정성 및 보안 평가 문제를 해결하기 위해.
• 복잡하고 투명하지 않은 기계학습 파ip라인으로 인해 안정성 평가가 중요한 전력 시스템 응용 분야에서 기계학습 모델에 대한 신뢰 부족 문제를 해결하기 위해.
• 모델 학습에서부터 모델 통합에 이르기까지 모든 단계를 통합하는 체계적이고 종단 간 프레임워크를 개발하여 지속적인 개선을 위한 피드백 기능을 제공하기 위해.
• 북해 풍력허브의 물리 기반 시뮬레이션을 활용하여 N-1 소신호 안정성 마진을 예측하는 프레임워크의 효과성을 입증하기 위해.
• 구조화된 피드백 및 검증 루프를 통해 실시간 전력망 운영에 신뢰할 수 있고 안정적인 기계학습 모델을 구현할 수 있는 기반을 마련하기 위해.

제안 방법

• 신뢰할 수 있는 기계학습의 핵심 과제를 해결하기 위해 데이터셋 생성, 데이터 전처리, 모델 학습, 모델 평가, 모델 통합의 다섯 가지 핵심 모듈을 통합한다.
• 고품질의 대표성 있는 학습 데이터를 생성하기 위해 물리 기반 샘플링 전략(예: 라틴 하이퍼큐브 샘플링, 방향성 이동, 신경망 기반 및 검증 기반 점)을 활용한다.
• 물리적 제약 조건을 학습 과정에 통합하기 위해 물리적 정규화와 신경망 기반 대체 모델을 적용하여 일반화 능력과 해석 가능성 향상.
• 모델 평가와 재학습 간 피드백 루프를 구현하여 성능 지표가 데이터 재샘플링 및 모델 정련을 이끄는 반복적 프로세스를 가능하게 한다.
• 다중 정밀도 시뮬레이션과 체계적인 평가 프로토콜을 활용하여 안정성 마진(안정, 경계 안정, 불안정) 전반에서 모델 성능을 평가한다.
• 안정성 범주 전반에서 모델 오차를 정량화하기 위해 다중 클래스 분류 손실 함수(L_y, 식 15)를 활용하여 타겟 기반 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 물리 기반 시뮬레이션 데이터를 체계적으로 생성하고 샘플링하여 전력 시스템에서 신뢰할 수 있는 기계학습 모델을 학습시키기 위한 고정밀도 및 고포괄성의 데이터를 확보할 수 있는가?
• RQ2 모델 평가와 재학습 간 피드백 메커니즘이 전력망 안정성 예측을 위한 기계학습 모델의 정확도와 강건성 향상에 어떤 역할을 하는가?
• RQ3 물리 기반 정규화와 적응형 샘플링 전략이 N-1 소신호 안정성 마진 예측의 모델 일반화 능력 향상과 오차 감소에 얼마나 기여하는가?
• RQ4 모델 평가 및 재학습 루프의 통합이 복잡한 전력 시스템 동역학을 기반으로 학습된 기계학습 모델의 수렴성과 성능에 어떤 영향을 미치는가?
• RQ5 제안된 닫힘 루프 프레임워크는 다양한 데이터 샘플링 및 모델 구성 조건 하에서 북해 풍력허브와 같은 실제와 유사한 시나리오에서 높은 정확도와 낮은 오차를 달성할 수 있는가?

주요 결과

• Uniform 7 데이터셋(2401개 샘플)에서 테스트 정확도 83.9%를 달성하였으며, 평균 제곱 오차(MSE)는 0.288 ± 0.042로 대규모 시뮬레이션에서 높은 예측 성능를 입증하였다.
• 물리 정규화는 기준 샘플링 방법 대비 MSE를 20~30% 감소시켰으며, 최고 성능 모델인 Uniform 5 + PR은 MSE 0.332 ± 0.040을 기록하였다.
• 신경망 기반(NI) 및 검증 기반(VI) 샘플링은 모델 강건성을 향상시켜 균형점 주변 및 불안정 영역에서의 오차를 균일 샘플링 대비 최대 40%까지 감소시켰다.
• 닫힘 루프 피드백 메커니즋试로 모델 일반화 능력이 크게 향상되었으며, 평가 결과 기반 재학습이 불안정 및 경계 불안정 클래스의 오차를 25~35% 감소시켰다.
• 피드백 루프를 통한 라틴 하이퍼큐브 샘플링(LHC)은 LHC 7 데이터셋에서 83.17%의 정확도를 기록하여 안정성과 일관성 측면에서 균일 샘플링(83.92%)을 초월하였다.
• 프레임워크는 뛰어난 확장성을 보였으며, 2401개 샘플 데이터셋에서 MSE 0.277 ± 0.049를 유지하여 대규모 전력 시스템에서 실시간 구현 가능성을 입증하였다.