[논문 리뷰] Deep Learning for Power System Security Assessment

José-María Hidalgo-Arteaga, Fiodar Hancharou외 2명|arXiv (Cornell University)|2019. 03. 31.

Power System Optimization and Stability참고 문헌 19인용 수 4

한 줄 요약

이 논문은 전력 시스템의 스냅샷을 2차원 이미지로 표현하여 컨볼루션 신경망(CNN)을 활용해 빠르고 정확한 안전성 평가를 가능하게 하는 새로운 딥러닝 프레임워크를 제안한다. 기존의 소신호 안정성 분석에 비해 255배 이상의 속도 향상을 달성하면서도 162버스 NESTA 시스템에서 N-1 및 소신호 안정성 위반을 분류할 때 99.14%의 리콜과 98%의 정확도를 유지한다.

ABSTRACT

Security assessment is among the most fundamental functions of power system operator. The sheer complexity of power systems exceeding a few buses, however, makes it an extremely computationally demanding task. The emergence of deep learning methods that are able to handle immense amounts of data, and infer valuable information appears as a promising alternative. This paper has two main contributions. First, inspired by the remarkable performance of convolutional neural networks for image processing, we represent for the first time power system snapshots as 2-dimensional images, thus taking advantage of the wide range of deep learning methods available for image processing. Second, we train deep neural networks on a large database for the NESTA 162-bus system to assess both N-1 security and small-signal stability. We find that our approach is over 255 times faster than a standard small-signal stability assessment, and it can correctly determine unsafe points with over 99% accuracy.

연구 동기 및 목표

• 수백만 개의 운영 포인트를 포함하는 대규모 전력 시스템에서의 안전성 평가의 계산 비효율성 문제를 해결하기 위해.
• 특히 CNN을 포함한 딥러닝 기법이 전력 시스템 안전성 평가의 가속화 잠재력을 탐색하기 위해.
• 시스템의 네트워크 구조와 전력 흐름 특성을 유지하는 새로운 2차원 이미지 표현 방식을 개발하기 위해.
• N-1 및 소신호 안정성 평가를 위한 100만 개 이상의 운영 포인트로 구성된 대규모 데이터베이스를 기반으로 딥 네ural 네트워크를 훈련하고 평가하기 위해.
• 딥러닝 모델을 안정성 제약 최적 전력 흐름 프레임워크에 통합할 수 있는 가능성을 입증하기 위해.

제안 방법

• 전력 시스템 스냅샷이 버스 및 회로의 네트워크 구조에 기반해 공간 좌표에 매핑된 활성 전력(P), 무공전력(Q), 전압 크기(V)의 세 채널을 사용해 2차원 이미지로 변환된다.
• 이 이미지 표현 방식은 각 버스와 회로를 특정 격자 위치에 할당함으로써 네트워크 구조를 유지하며, CNN을 통한 공간 패턴 학습을 가능하게 한다.
• NESTA 162버스 시스템을 대상으로 효율적인 알고리즘을 사용해 생성된 1,000,000개의 운영 포인트로 구성된 대규모 데이터베이스를 기반으로 딥 컨볼루션 신경망(ConvNet)이 훈련된다.
• 모델은 N-1 장애 기준 및 소신호 안정성(감쇠 비율 ≥ 3%)에 기반해 각 운영 포인트를 안정적 또는 비안정적으로 분류하도록 훈련된다.
• 정확도, F1 점수, 매튜스 상관계수(MCC), 리콜 등의 지표를 사용해 모델 성능을 평가하며, 잘못 분류된 영역 분석을 위해 k-means 클러스터링 기법이 사용된다.
• 단일 코어 CPU 환경에서 표준 소신호 안정성 분석 대비 계산 시간 측정을 통해 프레임워크의 성능을 벤치마킹한다.

실험 결과

연구 질문

• RQ1 전력 시스템 스냅샷을 효과적으로 2차원 이미지로 표현할 수 있는가? 이는 컴퓨터 비전 분야에서 사전 훈련된 딥러닝 모델의 응용 가능성을 높인다.
• RQ2 이미지 기반의 전력 시스템 데이터 표현을 활용해 딥 네URAL 네트워크가 N-1 및 소신호 안정성 위반을 얼마나 정확하게 분류할 수 있는가?
• RQ3 기존의 소신호 안정성 평가 대비 제안된 딥러닝 모델의 계산 속도 향상은 어느 정도인가?
• RQ4 안전성 경계의 어느 영역이 모델의 정확한 분류에 가장 어려움을 겪는가? 그 이유는 무엇인가?
• RQ5 딥러닝 모델은 안정성 제약 최적 전력 흐름 프레임워크에 통합되어 계산 효율성을 향상시킬 수 있는가?

주요 결과

• 제안된 이미지 기반 표현 방식은 컴퓨터 비전 분야의 딥러닝 기법을 전력 시스템 안전성 평가에 효과적으로 이식할 수 있도록 한다.
• 딥 네URAL 네트워크는 안정성 위반 운영 포인트에 대해 98% 이상의 분류 정확도와 99.14%의 리콜을 달성하여 심각한 안정성 위반을 효과적으로 식별함을 보여준다.
• 모델은 운영 포인트당 계산 시간을 86ms로 줄여 기존의 표준 소신호 안정성 분석(21,950ms) 대비 255배의 속도 향상을 달성한다.
• 잘못 분류된 점의 상당 부분(99% 이상)이 안전성 경계의 한정된 작은 영역에 집중되어 있어 국소적 모델링 과제를 시사한다.
• 균형 잡힌 데이터셋과 중간 정도의 클래스 불균형 상황에서 높은 성능을 유지하며, 다양한 평가 케이스에서 일관된 성능을 보였다.
• 최적화 프레임워크에 대한 초도 통합 결과, 50회 테스트 평균 계산 시간이 19.99초로 나타나 향후 최적화 통합의 가능성은 확인되었다.