[논문 리뷰] Fast Calculation of Probabilistic Power Flow: A Model-based Deep Learning Approach

Yan Yang, Zhifang Yang외 2명|arXiv (Cornell University)|2019. 06. 14.

Energy Load and Power Forecasting참고 문헌 29인용 수 9

한 줄 요약

이 논문은 전력 시스템에서 확률적 부하 흐름(PPF) 계산을 가속화하기 위한 모델 기반 딥 러닝 접근법을 제안한다. 깊이 있는 신경망(DNN)에 물리적 부하 흐름 방정식을 페널티 항을 통해 통합하고, 간소화된 기울기와 향상된 초기화를 통해, IEEE 및 실용적 시스템에서 전통적인 PPF 방법에 비해 높은 정확도와 속도 향상을 달성한다.

ABSTRACT

Probabilistic power flow (PPF) plays a critical role in power system analysis. However, the high computational burden makes it challenging for the practical implementation of PPF. This paper proposes a model-based deep learning approach to overcome the computational challenge. A deep neural network (DNN) is used to approximate the power flow calculation and is trained according to the physical power flow equations to improve its learning ability. The training process consists of several steps: 1) the branch flows are added into the objective function of the DNN as a penalty term, which improves the approximation accuracy of the DNN; 2) the gradients used in the back propagation process are simplified according to the physical characteristics of the transmission grid, which accelerates the training speed while maintaining effective guidance of the physical model; and 3) an improved initialization method for the DNN parameters is proposed to improve the convergence speed. The simulation results demonstrate the accuracy and efficiency of the proposed method in standard IEEE and utility benchmark systems.

연구 동기 및 목표

• 전력 시스템 운영에서 확률적 부하 흐름(PPF)의 높은 계산 부담을 해결하기 위해.
• 부하 흐름 근사화를 위한 딥 러닝 모델의 정확도와 학습 효율성을 향상시키기 위해.
• 물리적 부하 흐름 방정식을 딥 러닝 프레임워크에 통합하여 일반화 능력과 물리적 일관성을 향상시키기 위해.
• 학습 시간을 단축시키면서도 분기 흐름과 부하 주입의 높은 근사 정확도를 유지하기 위해.
• 실제 전력 시스템 응용을 위한 실시간 또는 근접 실시간 PPF 계산을 가능하게 하기 위해.

제안 방법

• 깊이 있는 신경망(DNN)이 부하 흐름 해를 근사하기 위해 훈련되며, 분기 흐름 방정식을 기반으로 한 페널티 항이 목적 함수에 추가된다.
• 백프로파게이션에 사용되는 기울기는 전력송전망의 물리적 특성을 활용해 간소화되어, 모델 가이던스를 잃지 않으면서도 학습 속도를 향상시킨다.
• 수렴 속도 향상을 위해 개선된 DNN 파라미터 초기화 방법이 제안된다.
• 모델은 부하 흐름 방정식을 제약 조건으로 사용하여 훈련되어, DNN이 전력 시스템의 기본 물리 법칙을 학습하도록 보장된다.
• 표준 IEEE 시험 시스템과 실제 전력망 기반 벤치마크 시스템에서 방법의 유효성이 검증된다.
• DNN은 분기 흐름과 버스 전압의 통계적 분포를 포함한 확률적 부하 흐름 결과를 예측하는 데 사용된다.

실험 결과

연구 질문

• RQ1 물리적 제약 조건을 갖춘 딥 러닝 모델이 확률적 부하 흐름 계산에서 높은 정확도를 달성할 수 있는가?
• RQ2 손실 함수에 물리적 부하 흐름 방정식을 통합할 경우 DNN의 근사 성능에 어떤 영향을 미치는가?
• RQ3 망 구조에 기반한 기울기 간소화가 학습 속도 향상에 얼마나 기여하는가?
• RQ4 제안된 초기화 방법이 기존 방법에 비해 학습 수렴 시간을 줄이는가?
• RQ5 모델은 다양한 시스템 구성에 대해 일반화할 수 있으며, 불확실성 하에서도 정확도를 유지하는가?

주요 결과

• 제안된 방법은 기존 몬테카를로 기반 접근법에 비해 확률적 부하 흐름 계산에서 뚜렷한 속도 향상을 달성한다.
• DNN 손실 함수에 물리적 제약 조건을 통합함으로써 분기 흐름과 버스 전압의 근사 정확도가 향상된다.
• 망 구조에 기반한 기울기 간소화는 성능을 유지하면서도 학습 시간을 단축시킨다.
• 향상된 초기화 방법은 수렴 속도를 향상시켜 필요한 학습 에포크 수를 감소시킨다.
• 모델은 여러 개의 IEEE 시험 시스템과 실제 전력망 기반 벤치마크 시스템에서 높은 정확도를 유지한다.
• DNN 기반 접근법은 실시간 응용에 적합한 빠르고 정확하며 물리적으로 일관된 확률적 부하 흐름 평가를 가능하게 한다.