[논문 리뷰] Deep Learning based Model-free Robust Load Restoration to Enhance Bulk System Resilience with Wind Power Penetration

Jin Zhao, Fangxing Li외 2명|arXiv (Cornell University)|2021. 09. 16.

Electric Power System Optimization참고 문헌 24인용 수 4

한 줄 요약

이 논문은 고풍력 비율을 가진 송전망에서의 딥러닝 기반 모델 프리 없는 내성적인 부하 복원 방법을 제안한다. DNN와 CNN를 사용해 최악의 시나리오를 모의하고, 최적성 보장을 위한 부하 복원 체크리스트 생성(LPCG) 알고리즘을 적용함으로써 실시간, 계산 효율적인 온라인 복원을 가능하게 하며, 기존의 전통적 내성 최적화보다 속도와 적응성에서 뛰어나며, IEEE 30-bus 및 118-bus 시스템에서 검증되었다.

ABSTRACT

This paper proposes a new deep learning (DL) based model-free robust method for bulk system on-line load restoration with high penetration of wind power. Inspired by the iterative calculation of the two-stage robust load restoration model, the deep neural network (DNN) and deep convolutional neural network (CNN) are respectively designed to find the worst-case system condition of a load pickup decision and evaluate the corresponding security. In order to find the optimal result within a limited number of checks, a load pickup checklist generation (LPCG) algorithm is developed to ensure the optimality. Then, the fast robust load restoration strategy acquisition is achieved based on the designed one-line strategy generation (OSG) algorithm. The proposed method finds the optimal result in a model-free way, holds the robustness to handle uncertainties, and provides real-time computation. It can completely replace conventional robust optimization and supports on-line robust load restoration which better satisfies the changeable restoration process. The effectiveness of the proposed method is validated using the IEEE 30-bus system and the IEEE 118-bus system, showing high computational efficiency and considerable accuracy.

연구 동기 및 목표

• 고풍력 변동성과 불확실성이 높은 송전망에서 내성적인 부하 복원의 과제를 해결한다.
• 고차원의 불확실성으로 인해 기존의 내성 최적화가 실시간 응용에 대해 계산적으로 비가능한 문제를 해결한다.
• 최악의 바람 및 부하 조건 하에서도 시스템 안전성을 확보하는 실시간, 모델 프리 방법을 개발한다.
• 변화하는 시스템 조건에 동적으로 적응하는 빠르고 최적의 부하 복원을 가능하게 한다.
• 기존의 내성 최적화를 데이터 기반으로 확장 가능하고 실시간 구현에 적합한 대체 방법으로 대체한다.

제안 방법

• 모든 부하 복원 결정에 대해 최악의 시스템 상태를 예측하기 위해 딥 신경망(DNN)을 설계한다.
• 예측된 최악의 시나리오 하에서 시스템 안전성을 평가하기 위해 딥 컨volution 신경망(CNN)을 사용한다.
• 제한된 체크 수 내에서 최적의 부하 복원 순서를 체계적으로 탐색하고 선택하기 위해 부하 복원 체크리스트 생성(LPCG) 알고리즘을 개발한다.
• 최적의 체크리스트에서 빠르게 전체적인 내성적인 복원 전략을 생성하기 위해 일선 전략 생성(OSG) 알고리즘을 구현한다.
• 시스템 모델링을 명시적으로 하지 않고 역학적 시스템 데이터와 최악의 시나리오 시뮬레이션을 사용해 DNN 및 CNN을 훈련시킨다.
• DNN 및 CNN을 LPCG 및 OSG 알고리즘과 통합하여 실시간, 모델 프리 내성적 의사결정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 모델 프리 접근법이 기존의 내성 최적화와 유사한 내성적 복원 성능을 달성하면서도 실시간 계산을 가능하게 할 수 있는가?
• RQ2 DNN 및 CNN 모델이 고풍력 비율 불확실성 하에서 최악의 시스템 상태를 얼마나 효과적으로 예측할 수 있는가?
• RQ3 LPCG 알고리즘이 계산 제약 조건 하에서 부하 복원 순서의 최적성 보장을 어느 정도 확보하는가?
• RQ4 동적 복원 과정에서 제안된 방법이 기존의 내성 최적화 대비 계산 속도와 적응성 측면에서 어떻게 비교되는가?
• RQ5 이 방법은 고풍력 비율이 높은 대규모 시스템, 예를 들어 IEEE 118-bus 시스템에 효과적으로 적용될 수 있는가?

주요 결과

• 제안된 방법은 높은 계산 효율성을 확보하여 기존의 내성 최적화가 높은 계산 부담으로 인해 비가능한 실시간 온라인 부하 복원을 가능하게 한다.
• DNN 및 CNN 모델은 최악의 시스템 상태를 효과적으로 예측하고 안전성을 평가하며, IEEE 30-bus 및 IEEE 118-bus 시스템 모두에서 정확도가 검증되었다.
• LPCG 알고리즘은 제한된 수의 체크 내에서 근사 최적의 부하 복원 순서를 확보하여 검색 공간을 크게 줄이면서도 내성성을 손상시키지 않는다.
• OSG 알고리즘은 최적의 체크리스트에서 전체적인 내성적인 복원 전략을 성공적으로 생성하여 최악의 시나리오 하에서도 시스템 안전성을 보장한다.
• 이 방법은 고풍력 비율이 높은 시스템에서 높은 정확성과 내성성을 보이며, 속도와 적응성 측면에서 기존 방법을 능가한다.
• IEEE 118-bus 시스템에서의 검증을 통해 확장성과 내성성이 확인되었으며, 실제 송전망에서의 실시간 구현에 적합함을 입증했다.