[논문 리뷰] Deep Learning Architecture for Voltage Stability Evaluation in Smart Grid based on Variational Autoencoders

Haosen Yang, Robert C. Qiu외 2명|arXiv (Cornell University)|2018. 08. 17.

Power System Optimization and Stability참고 문헌 5인용 수 3

한 줄 요약

이 논문은 스마트 그리드에서 전압 안정성 마진(VSM)을 추정하기 위해 변분 오토인코더(VAE)를 사용하는 딥러닝 프레임워크를 제안한다. 전압 데이터로부터 저차원 표현을 학습함으로써, 극소수의 입력 데이터로도 정확한 VSM 추정을 달성하며, IEEE 테스트 시스템에서 희소 스택드 오토인코더(SSAE)와 적대적 오토인코더(AAE)를 능가한다.

ABSTRACT

Deep learning, as one of the most popular rising technology, is being applied in power industry widely and gradually. This study explored a novel application of deep learning in voltage stability assessment based on variational autoencoder (VAE). VAE is a novel application of variational inference which have clear mathematical formula, it regularize latent variables in a expected stochastic distribution. VAE have distinctive ability to obtain near P-V curve by mere voltage data. An indicator based on VAE is proposed. For comparison and testing, multiple data-driven indicators based on sparse stacked autoencoder (SSAE) and adversarial autoencoder (AAE) are proposed. All of them extract important low-dimension expression of whole sampling data, showing the distinctive advantages of unsupervised learning [1]. A deep neural network based on proposed index is constructed to estimate voltage stability margin (VSM). Our methods are tested in IEEE-14, IEEE-57 and IEEE-118 bus standard system, and compared mutually. Other experimental cases show the effect of our approach in power grids state awareness, and the effects by limited field data. These testing case illustrate the accuracy and effectiveness of our approach.

연구 동기 및 목표

• 전력 시스템에서 딥러닝을 활용한 데이터 기반 전압 안정성 마진(VSM) 추정 방법을 개발한다.
• 변분 오토인코더(VAE)를 통한 비지도 표현 학습을 활용하여 전압 측정치로부터 의미 있는 저차원 특징을 추출한다.
• 전압 안정성 평가에서 VAE와 대체 오토인코더 아키텍처(SSAE 및 AAE)의 성능을 비교한다.
• 실제 전력 시스템 환경에서 현장 데이터가 제한된 조건에서의 방법의 강건성(robustness)을 평가한다.
• 제안된 VAE 기반 지표가 전력 시스템 상태 인식 및 안정성 모니터링에 효과적으로 활용될 수 있음을 입증한다.

제안 방법

• 전압 데이터의 확률적이고 저차원 잠재 표현을 학습하기 위해 변분 오토인코더(VAE)를 활용하며, 잠재 변수를 표준 정규분포로 정규화한다.
• 전압 측정치의 기저 분포를 모델링하여 전력 시스템의 전압 안정성 특성을 반영하는 새로운 VAE 기반 지표를 설계한다.
• 학습된 VAE 특징을 사용하여 전압 안정성 마진(VSM)을 회귀 과제로 예측하는 딥 네트워크(DNN)를 구축한다.
• 동일한 데이터셋과 평가 프로토콜을 사용하여 VAE 기반 접근법과 희소 스택드 오토인코더(SSAE), 적대적 오토인코더(AAE)를 비교한다.
• 일반화성과 강건성을 평가하기 위해 IEEE-14, IEEE-57, IEEE-118 버스 시스템에서 모델을 학습하고 검증한다.
• 감독 학습 기반 VSM 예측을 위한 미세조정 이전에, 오토인코더를 통한 비지도 사전 훈련을 통해 주요 특징을 추출한다.

실험 결과

연구 질문

• RQ1 변분 오토인코더는 전압 안정성 평가를 위해 전압 데이터의 압축되고 의미 있는 표현을 효과적으로 학습할 수 있는가?
• RQ2 SSAE 및 AAE와 비교해 볼 때, VAE 기반 지표의 정확성과 강건성은 어떻게 다른가?
• RQ3 제한적 또는 희소한 현장 데이터 조건에서 제안된 방법이 성능을 유지할 수 있는 정도는 어느 정도인가?
• RQ4 VAE를 통한 비지도 특징 학습이 다양한 전력 시스템 구성에서 VSM 예측의 일반화 능력을 향상시키는가?
• RQ5 VAE 기반 지표는 실시간 전압 안정성 모니터링 및 상태 인식 도구로 신뢰할 수 있는가?

주요 결과

• VAE 기반 방법은 전압 데이터의 저차원 잠재 표현을 성공적으로 학습하여 P-V 곡선의 행동을 잘 근사하였다.
• 제안된 VAE 기반 지표는 모든 테스트된 IEEE 시스템에서 SSAE 및 AAE를 능가하여 전압 안정성 마진을 더 정확하게 추정하였다.
• VAE 특징을 기반으로 훈련된 딥 네트워크는 VSM 예측에서 높은 정확도를 달성하여, 비지도 사전 훈련의 효과성을 입증하였다.
• 희소한 현장 데이터 조건에서도 강건한 성능을 보여, 실제 적용 환경에서 데이터가 제한될 수 있는 상황에 적합함을 시사하였다.
• IEEE-14, IEEE-57, IEEE-118 버스 시스템에서의 실험 결과는 본 방법의 일반화 능력과 전압 안정성 평가에서의 신뢰성을 확인하였다.