[논문 리뷰] Fast Power system security analysis with Guided Dropout

Benjamin Donnot, Isabelle Guyon외 3명|arXiv (Cornell University)|2018. 01. 30.

Power System Optimization and Stability인용 수 17

한 줄 요약

이 논문은 단일 신경망을 통해 'n-1'(한 줄이 끊어진 경우)에서 'n-2'(두 줄이 끊어진 경우)까지 다양한 송전망 구조로의 전력 흐름을 예측하는 딥러닝 방법인 Guided Dropout을 제안한다. 재학습 없이도 일반화가 가능하도록 조건부 은닉 유닛을 통해 구조 변화를 인코딩함으로써, 기존의 AC 시뮬레이터 대비 300배 빠른 부하 흐름 계산을 실현하면서도 실제 프랑스 초고압송전망 데이터에서 높은 정확도를 유지한다.

ABSTRACT

We propose a new method to efficiently compute load-flows (the steady-state of the power-grid for given productions, consumptions and grid topology), substituting conventional simulators based on differential equation solvers. We use a deep feed-forward neural network trained with load-flows precomputed by simulation. Our architecture permits to train a network on so-called "n-1" problems, in which load flows are evaluated for every possible line disconnection, then generalize to "n-2" problems without retraining (a clear advantage because of the combinatorial nature of the problem). To that end, we developed a technique bearing similarity with "dropout", which we named "guided dropout".

연구 동기 및 목표

• 선로 연결 끊김 조합의 기하급수적 증가로 인해 실시간 송전시스템 안전성 분석에서 발생하는 계산 성능 저하 문제를 해결하기 위해.
• 각 구성 구조마다 재학습이 필요 없이 다양한 송전망 구조에서 전력 흐름을 예측할 수 있는 데이터 기반 방법을 개발하기 위해.
• 'n-1' 사례에 대해서만 훈련된 신경망을 통해 'n-2' 사례의 잠재적 위험 요소를 신속하게 선별할 수 있도록 하기 위해.
• 프랑스 초고압송전망과 같은 실제 고압송전망에서의 확장성과 성능을 입증하기 위해.
• 느린 AC 부하 흐름 시뮬레이터와 DC 근사치에 비해 계산 비용은 낮추면서도 높은 예측 정확도를 유지하는 효율적인 대안을 제공하기 위해.

제안 방법

• 기본 송전망 구조에서 'n-1' 장애 사례(한 줄이 끊어진 경우)에 대한 사전 계산된 AC 부하 흐름 시뮬레이션 결과를 기반으로 딥 프eed-포워드 신경망을 훈련한다.
• 선로가 끊어졌는지에 따라 조건부 은닉 유닛을 네트워크 아키텍처에 도입하여 다양한 구조로의 일반화를 가능하게 한다.
• Guided Dropout은 드롭아웃에 영감을 얻은 새로운 구조 인코딩 메커니즘을 제안하며, 특정 은닉 유닛이 선로 끊김 상태에 따라 활성화되어 다양한 구조 간 공유 학습이 가능하도록 한다.
• 이 방법은 '초일반화'(super-generalization)를 실현한다: 'n-1' 사례에 대해서만 훈련된 네트워크가 'n-2' 사례의 전력 흐름을 정확하게 예측할 수 있다.
• 모델은 반도체 파라미터(유도성, 어드미ittance 등)에 의존하지 않고 활성 전력 주입량만 입력으로 사용하여 순수하게 데이터 기반의 접근 방식을 취한다.
• 아키텍처는 실제 프랑스 초고압송전망 데이터를 기반으로 평가되었으며, 추론 속도가 초당 1,000건 이상의 부하 흐름 예측을 기록했다.

실험 결과

연구 질문

• RQ1 'n-1' 송전망 장애 사례에 대해 훈련된 단일 신경망이 재학습 없이도 'n-2' 장애 사례로 일반화하여 정확하게 예측할 수 있는가?
• RQ2 제안된 Guided Dropout 방법이 DC 근사치 및 원-핫 인코딩과 같은 전통적 기준 방법에 비해 정확도와 계산 속도 면에서 뛰어나게 성능을 발휘하는가?
• RQ3 수천 개의 선로와 노드를 포함하는 실제 고압송전 시스템에 대해 이 방법이 확장 가능한가?
• RQ4 모델의 데이터 기반 성격이 물리 법칙을 반영한 방법(예: DC 근사치)과 비교해 성능에 어떤 영향을 미치는가?
• RQ5 가이드드 드롭아웃 메커니즘이 다양한 구조 변형 간 정규화 및 효율적인 파라미터 공유를 얼마나 잘 실현하는가?

주요 결과

• Guided Dropout 방법은 초일반화를 실현하여, 'n-1' 사례에 대해서만 훈련된 모델이 'n-2' 사례의 전력 흐름을 정확하게 예측한다.
• 118-bus Matpower 벤치마크에서, DC 근사치를 포함한 모든 기준 방법보다 예측 정확도와 추론 속도 면에서 뛰어난 성능을 보였다.
• 실제 프랑스 초고압송전망 데이터에서 모델은 초당 1,000건 이상의 부하 흐름 예측을 수행했으며, 기존 AC 시뮬레이터 대비 약 300배 빠른 성능을 기록했다.
• 프랑스 송전망의 전체 'n-1' 데이터셋(1,400개 노드, 2,700개 선로)에 대한 훈련은 가능하지만, 'n-2' 모든 사례에 대한 훈련은 약 5,000만 번의 시뮬레이션을 요구하며, 거의 6개월이 소요된다.
• 물리적 지식을 명시적으로 포함하지 않는 순수 데이터 기반 모델임에도 불구하고, 유도성 및 어드미ittance 등의 시스템 파라미터를 사용하는 DC 근사치와 유사한 성능을 발휘한다.
• 이 방법은 임계적인 'n-2' 장애 사례를 신속하게 선별할 수 있도록 하여, 디스패처가 실제로 위험도가 높은 시나리오에 대해서만 AC 시뮬레이션을 수행할 수 있도록 한다.