[논문 리뷰] Detection and Estimation of the Invisible Units Using Utility Data Based on Random Matrix Theory

Xing He, Robert C. Qiu외 4명|arXiv (Cornell University)|2017. 10. 30.

Smart Grid Security and Resilience참고 문헌 8인용 수 4

한 줄 요약

이 논문은 랜덤 행렬 이론(RMT) 기반의 데이터 기반 방법을 제안하여, 전력망 데이터만을 사용해 가시하지 않은 단위—예를 들어 무단으로 설치된 屋上 태양광 패널 및 전기 자동차—를 탐지하고 식별하며 추정한다. 연결된 행렬과 선형 고유값 통계(LES) 지표를 활용함으로써, 시뮬레이션 및 실제 데이터에서 강력한 검증을 받은 이상 탐지 및 위치 추정이 가능하다.

ABSTRACT

Invisible units refer mainly to small-scale units that are not monitored, and thus are invisible to utilities and system operators, e.g., small-scale distributed units like unauthorized roof-top photovoltaics (PVs), and plug-and-play units like electric vehicles (EVs). Massive integration of invisible units into power systems could significantly affect the way in which the distribution grid is planned and operated. This paper, based on random matrix theory (RMT), proposes a data-driven approach for the detection, identification, and estimation of the existing invisible units only using easily accessible utility data. The concatenated matrices and linear eigenvalue statistic (LES) indicators are suggested as the main ingredients of this solution. Furthermore, the hypothesis testing is formulated for anomaly detection according to the statistical characteristic of LES indicators. The proposed approach is promising for anomaly detection in a complex grid--it is able to detect invisible power usage, fraud behavior and even to locate the suspect's location. The case studies, using both simulated data and actual data, validate the proposed method.

연구 동기 및 목표

• 무단으로 설치된 屋上 태양광 패널 및 전기 자동차와 같은 모니터링되지 않은 소규모 분산 에너지 자원(DER)이 전력망 계획 및 운영에 미치는 영향을 해결한다.
• 분포 수준의 모니터링 데이터에 직접 접근할 필요 없이도 가시하지 않은 단위를 탐지하고 추정할 수 있는 방법을 개발한다.
• 사전에 확보된 전력망 데이터를 활용해 미등록 또는 모니터링되지 않은 전력 단위의 존재와 위치를 추론한다.
• 전력망 데이터 행렬의 고유값 분포를 기반으로 한 통계적 가설 검정 프레임워크를 수립하여 이상 탐지 문제를 해결한다.

제안 방법

• 분포 노드 전역의 시간적 및 공간적 전력 사용 패턴을 포착하기 위해 전력망 데이터에서 연결된 행렬을 구성한다.
• 랜덤 행렬 이론(RMT)을 적용하여 연결된 행렬의 고유값 분포를 분석하고 통계적 지표를 추출한다.
• 이상 탐지에 핵심 지표로 선형 고유값 통계(LES)를 사용하여 기대되는 랜덤 행렬 행동과의 편차를 탐지한다.
• LES 지표의 渐近 분포를 기반으로 한 가설 검정을 수립하여 통계적 신뢰도를 확보함으로써 가시하지 않은 단위를 탐지한다.
• 고유값 편차의 공간적 구조를 활용하여 가시하지 않은 단위의 위치를 추정한다.
• 실제 전력망 데이터와 시뮬레이션 데이터를 모두 활용하여 복잡한 현실 조건 하에서도 방법의 강건성을 검증한다.

실험 결과

연구 질문

• RQ1 무단으로 설치된 屋上 태양광 패널 및 전기 자동차와 같은 가시하지 않은 단위를 표준 전력망 데이터만으로 탐지할 수 있는가?
• RQ2 랜덤 행렬 이론은 전력 사용 패턴의 이상을 탐지하기 위해 어떻게 적용될 수 있는가? 이는 모니터링되지 않은 단위의 존재를 시사한다.
• RQ3 전력망 데이터 행렬의 선형 고유값 통계(LES)가 가시하지 않은 전력 사용을 탐지하는 신뢰할 수 있는 지표가 될 수 있는가?
• RQ4 가시하지 않은 단위의 위치를 전력망 데이터만으로 얼마나 정확하게 추정할 수 있는가?
• RQ5 이 방법은 정상적인 전력망 이상과 실제 가시하지 않은 단위 활동을 어떻게 구분하는가?

주요 결과

• 제안된 방법은 분포 수준 장치의 직접 모니터링이 없이도 표준 전력망 데이터만을 사용해 가시하지 않은 단위를 성공적으로 탐지한다.
• 가시하지 않은 단위가 존재할 경우 연결된 전력망 데이터 행렬의 선형 고유값 통계(LES)는 특별한 통계적 행동을 보이며, 이는 신뢰할 수 있는 이상 탐지 가능성을 제공한다.
• LES 지표를 기반으로 한 가설 검정은 가시하지 않은 전력 사용을 탐지하고 잠재적 사기 행위를 식별하는 데 통계적 신뢰도를 제공한다.
• 고유값 편차의 공간적 패턴을 분석함으로써 가시하지 않은 단위의 위치를 추정할 수 있다.
• 시뮬레이션 및 실제 전력망 데이터를 활용한 사례 연구를 통해, 미등록 분산 에너지 자원을 탐지하는 데 방법의 효과성이 확인되었다.
• 이 방법은 복잡한 전력망 환경에서도 강건성을 보이며, 분포 전력망 모니터링 분야에 실질적 적용 가능성을 보여준다.