[논문 리뷰] DeepONet-Grid-UQ: A Trustworthy Deep Operator Framework for Predicting the Power Grid's Post-Fault Trajectories

Christian Moya, Shiqi Zhang외 2명|arXiv (Cornell University)|2022. 02. 15.

Power System Optimization and Stability인용 수 6

한 줄 요약

이 논문은 고장 발생 후 전력망의 고장 후 궤적을 예측하는 신뢰할 수 있는 딥 오퍼레이터 네트워크 프레임워크인 DeepONet-Grid-UQ를 제안한다. 이는 고장 발생 시점의 궤적을 입력으로 받아, 베이지안 및 확률적 학습 전략을 통해 불확실성 정량화를 통합한다. 이 방법은 높은 예측 정확도와 신뢰할 수 있는 불확실성 추정을 달성하여, 최소한의 데이터로도 일시적 안정성 평가에서 잘못된 경고를 줄인다.

ABSTRACT

This paper proposes a new data-driven method for the reliable prediction of power system post-fault trajectories. The proposed method is based on the fundamentally new concept of Deep Operator Networks (DeepONets). Compared to traditional neural networks that learn to approximate functions, DeepONets are designed to approximate nonlinear operators. Under this operator framework, we design a DeepONet to (1) take as inputs the fault-on trajectories collected, for example, via simulation or phasor measurement units, and (2) provide as outputs the predicted post-fault trajectories. In addition, we endow our method with a much-needed ability to balance efficiency with reliable/trustworthy predictions via uncertainty quantification. To this end, we propose and compare two methods that enable quantifying the predictive uncertainty. First, we propose a extit{Bayesian DeepONet} (B-DeepONet) that uses stochastic gradient Hamiltonian Monte-Carlo to sample from the posterior distribution of the DeepONet parameters. Then, we propose a extit{Probabilistic DeepONet} (Prob-DeepONet) that uses a probabilistic training strategy to equip DeepONets with a form of automated uncertainty quantification, at virtually no extra computational cost. Finally, we validate the predictive power and uncertainty quantification capability of the proposed B-DeepONet and Prob-DeepONet using the IEEE 16-machine 68-bus system.

연구 동기 및 목표

• 기존 DAE 시뮬레이션의 계산적 한계를 해결하기 위해, 고장 발생 후 전력 시스템의 궤적을 예측하는 데이터 기반의 효율적인 방법을 개발한다.
• 일시적 안정성 평가에서 신뢰할 수 있고 안정적인 예측을 위해, 딥 오퍼레이터 네트워크에 불확실성 정량화를 통합한다.
• 계산 비용이 큰 수치적 통합을 대체하는 학습된 오퍼레이터 프레임워크를 통해, 거의 실시간 동적 안정성 평가를 가능하게 한다.
• 실제 고장 시나리오 하에서 IEEE 16기동기 68bus 시스템에서의 성능과 불확실성 캘리브레이션을 검증한다.
• 향후 확장 가능성 탐색: 해상도 독립적 설계, 다중 버스 정보 통합, 전이 학습, 물리 기반 정규화

제안 방법

• 프레임워크는 고장 발생 시점의 궤적(입력)에서 고장 후 궤적(출력)으로의 비선형 오퍼레이터 매핑을 DeepONets를 통해 학습하며, 직접 DAE 해법을 회피한다.
• 두 가지 불확실성 정량화 전략을 제안한다: 확률적 경량 최적화를 사용해 파라미터 사후분포에서 샘플링하는 베이지안 딥오퍼레이터 네트워크(B-DeepONet).
• 두 번째 방법인 Prob-DeepONet는 계산 비용을 거의 증가시키지 않으면서도 자동으로 불확실성 정량화를 가능하게 하는 확률적 학습 전략을 적용한다.
• 모델은 IEEE 68bus 시스템에서 시뮬레이션된 고장 발생 궤적의 소규모 데이터셋으로 훈련되며, 테스트용 미사용 궤적에서 평가된다.
• 95% 예측 구간과 실제 궤적 간 비교를 통해 불확실성 캘리브레이션을 검증하며, 저전압 부하 차단과 같은 중요한 임계 기준도 포함된다.
• 예측의 신뢰성과 일반화 능력을 평가하기 위해 회귀 산점도, 신뢰구간 커버리지, 잘못된 경고 비율을 사용한다.

실험 결과

연구 질문

• RQ1 딥오퍼레이터 네트워크는 높은 정확도와 일반화 능력을 갖추고, 고장 발생 궤적에서 고장 후 궤적으로의 오퍼레이터 매핑을 효과적으로 학습할 수 있는가?
• RQ2 딥오퍼레이터 네트워크에서 베이지안 및 확률적 학습 전략이 고장 후 궤적 예측에 대해 신뢰할 수 있고 캘리브레이션된 불확실성 정량화를 제공할 수 있는가?
• RQ3 예측된 불확실성 구간이 특히 임계 안정성 한계 근처에서 진짜 고장 후 궤적을 얼마나 잘 포괄하는가?
• RQ4 기존의 결정론적 모델 대비 이 방법이 일시적 안정성 평가에서 잘못된 경고를 줄일 수 있는가?
• RQ5 제한된 훈련 데이터로도 성능이 우수한가? 전이 학습이나 물리 기반 정규화를 통해 대규모 전력망으로 확장 가능한가?

주요 결과

• B-DeepONet와 Prob-DeepONet는 Adam으로 훈련된 원본 딥오퍼레이터 네트워크와 유사한 평균 예측 성능을 달성하여 강력한 일반화 능력을 입증한다.
• 예측된 95% 신뢰구간이 약 95%의 진짜 테스트 궤적을 포함함으로써, 효과적인 애러테이션 불확실성 정량화가 이루어졌음을 확인한다.
• 이 방법은 잘못된 전압 위반 예측을 방지함으로써, 부하 차단을 유도하는 잘못된 경고를 거의 제로 수준으로 줄였다.
• Prob-DeepONet의 확률적 학습 전략은 표준 학습과 비교해 거의 추가적인 계산 비용 없이도 불확실성 정량화를 가능하게 한다.
• 불확실성 인식 모델은 특히 임계 안정성 한계에 가까워지거나 이를 초과하는 궤적을 식별하는 데에서 결정론적 기준 모델보다 뛰어난 신뢰성을 보였다.
• IEEE 68bus 시스템에서의 실증 검증을 통해, 소규모 데이터셋으로도 거의 실시간 일시적 안정성 평가에 적용 가능한 프레임워크의 실현 가능성을 확인했다.