[논문 리뷰] Data-Driven Short-Term Voltage Stability Assessment Based on Spatial-Temporal Graph Convolutional Network

Yonghong Luo, Chao Lü외 2명|arXiv (Cornell University)|2021. 03. 05.

Optimal Power Flow Distribution참고 문헌 33인용 수 4

한 줄 요약

이 논문은 전력계통의 전기적 구조를 모델링하기 위해 그래프 컨볼루션을 활용하고, 시간적 동역학을 포착하기 위해 1D 컨볼루션을 적용한 데이터 기반 단기 전압 안정성(SVS) 평가를 위한 공간-시간 그래프 컨볼루션 네트워크(STGCN)를 제안한다. 기존 방법들에 비해 더 높은 정확도, 노이즈에 대한 강건성, 그리고 구조 변화와 운영 조건 변화에 대한 적응성을 확보하였으며, 광둥 전력망에서 98.7%의 테스트 정확도를 달성하였다.

ABSTRACT

Post-fault dynamics of short-term voltage stability (SVS) present spatial-temporal characteristics, but the existing data-driven methods for online SVS assessment fail to incorporate such characteristics into their models effectively. Confronted with this dilemma, this paper develops a novel spatial-temporal graph convolutional network (STGCN) to address this problem. The proposed STGCN utilizes graph convolution to integrate network topology information into the learning model to exploit spatial information. Then, it adopts one-dimensional convolution to exploit temporal information. In this way, it models the spatial-temporal characteristics of SVS with complete convolutional structures. After that, a node layer and a system layer are strategically designed in the STGCN for SVS assessment. The proposed STGCN incorporates the characteristics of SVS into the data-driven classification model. It can result in higher assessment accuracy, better robustness and adaptability than conventional methods. Besides, parameters in the system layer can provide valuable information about the influences of individual buses on SVS. Test results on the real-world Guangdong Power Grid in South China verify the effectiveness of the proposed network.

연구 동기 및 목표

• 기존 데이터 기반 방법들이 단기 전압 불안정성(SVS)의 공간-시간 동역학을 포착하는 데에 한계가 있음을 해결하고자 한다.
• 실시간 SVS 평가를 위해 전력망의 전기적 구조와 시계열 PMU 데이터를 효과적으로 통합하는 딥러닝 모델을 개발하고자 한다.
• 노이즈, 구조 변화, 다양한 운영 조건에 대한 모델의 강건성을 향상시키고자 한다.
• 시스템 수준의 파rameter를 통해 개별 버스가 시스템 안정성에 미치는 영향을 해석 가능한 통찰을 제공하고자 한다.

제안 방법

• 네트워크 구조를 모델에 통합하기 위해 체비셰프 그래프 컨볼루션을 사용하여 전압 불안정성 전파의 공간 국소성을 포착한다.
• 고장 후 PMU 시계열 데이터로부터 시간적 특징을 추출하기 위해 1차원 컨볼루션 레이어를 적용한다.
• 다중 수신장치 표현을 공간과 시간에 걸쳐 통합하기 위해 공간-시간 특징 융합 블록을 활용한다.
• 노드 레이어(버스 수준의 특징 학습)와 시스템 레이어(전체 안정성 분류)로 구성된 이중 단계 아키텍처를 도입한다.
• 그래프 라플라시안과 체비셰프 다항식 근사를 활용하여 그래프 컨볼루션을 효율적으로 계산한다.
• 고장 시나리오에서의 레이블이 부여된 PMU 데이터를 사용하여 엔드 투 엔드 STGCN 모델을 훈련시켜 시스템 안정성 분류를 수행한다.

실험 결과

연구 질문

• RQ1 PMU 데이터를 활용하여 딥러닝 모델이 단기 전압 불안정성의 공간-시간 동역학을 효과적으로 포착할 수 있는가?
• RQ2 전기적 전력망 구조를 통합할 경우, 지리적 또는 구조 모델링 없이 수행하는 것에 비해 데이터 기반 SVS 평가의 정확도와 강건성이 얼마나 향상되는가?
• RQ3 제안된 STGCN 모델이 노이즈 측정, 구조 변화, 다양한 운영 조건 하에서도 성능을 유지하는 정도는 어느 정도인가?
• RQ4 STGCN 모델의 시스템 레이어 파rameter는 개별 버스가 전압 안정성에 기여하는 방식에 대해 해석 가능한 통찰을 제공할 수 있는가?

주요 결과

• 제안된 STGCN는 다양한 운영 조건 하에서도 98.7%의 테스트 정확도를 달성하여 ST-shapelet(97.3%), LSTM(92.0%), RVFL(92.3%) 방법들을 능가하였다.
• 노이즈 환경에서도 STGCN는 98.6%의 정확도를 유지하였으며, LSTM(92.0%) 및 RVFL(84.0%)에 비해 뛰어난 노이즈 강건성을 입증하였다.
• 구조 변화 상황에서도 STGCN는 96.0%의 정확도를 기록하여, 체비셰프 다항식 기반의 구조 인식 설계 덕분에 ST-shapelet(93.0%), LSTM(94.0%), RVFL(93.0%) 방법들을 앞섰다.
• 다양한 고장 시나리오에 걸쳐 성능이 안정적으로 유지되어, 시스템 변화에 대한 강력한 적응성을 보였다.
• 시스템 레이어 파rameter는 개별 버스가 전체 전압 안정성에 미치는 영향에 대해 해석 가능한 정보를 제공하여 진단적 통찰을 가능하게 하였다.
• 체비셰프 그래프 컨볼루션과 1D 시간적 컨볼루션의 통합은 SVS에서 공간 국소성과 시간적 진화를 효과적으로 모델링할 수 있도록 하였다.