[논문 리뷰] Feature Selection for Transient Stability Assessment Based on Improved Maximal Relevance and Minimal Redundancy Criterion

Yang Li, Xueping Gu|arXiv (Cornell University)|2019. 01. 23.

Smart Grid and Power SystemsEngineering참고 문헌 4인용 수 17

한 줄 요약

이 논문은 전력 시스템의 일시적 안정성 평가를 위한 향상된 최대 관련성 및 최소 상관성(mRMR) 특징 선택 방법을 제안한다. 가중치 계수를 도입하여 특징 상관관계 및 중복 측정을 향상시킨다. 뉴잉글랜드 39bus 및 IEEE 50기자기계 시스템에서 평가된 방법은 증분 검색과 SVM 분류를 사용하여 최적의 특징 조합을 식별하며, 실시간 PMU 데이터를 활용해 높은 분류 정확도를 달성한다.

ABSTRACT

A new feature selection method based on an improved maximal relevance and minimal redundancy (mRMR) criterion was proposed for power system transient stability assessment. First, the standard mRMR was improved by introducing a weight coefficient in the evaluation criteria to refine the measurement of the features correlation and redundancy. Then, the possible real-time information provided by phasor measurement unit (PMU) considered, a group of system-level classification features were extracted from the power system operation parameters to build the original feature set, and the improved mRMR was employed to evaluate the classification capability of the original features for feature selection. A group of nested candidate feature subsets were obtained by using the incremental search technique, and each candidate feature subset was tested by a support vector machine classifier to find the optimal feature subset with the highest classification accuracy. The effectiveness of the proposed method was validated by the simulation results on the New England 39-bus system and IEEE 50-generator test system.

연구 동기 및 목표

• 고차원의 PMU 데이터로부터 관련성 있고 중복이 없는 특징을 선택하는 데 도전 과제를 해결한다.
• 표준 mRMR 기준을 향상시키기 위해 관련성 및 중복 측정을 정교화하기 위해 가중치 계수를 도입한다.
• 증분 검색과 SVM 기반 평가를 활용한 실시간 적용이 가능한 특징 선택 프레임워크를 개발한다.
• PMU 측정치에서 유도된 시스템 수준의 특징을 활용해 일시적 안정성 예측의 분류 정확도를 최적화한다.
• 다양한 고장 시나리오 하에서 표준 전력 시스템 시험 시스템에서 방법의 효과성을 검증한다.

제안 방법

• 평가 함수에 가중치 계수를 통합하여 mRMR 기준을 향상시켜 관련성과 중복 간의 균형을 더 잘 유지한다.
• 전압, 전류, 위상량과 같은 시스템 수준의 분류 특징을 PMU 측정치에서 추출하여 원본 특징 집합을 구성한다.
• 증분 검색 기법을 적용하여 중첩된 후보 특징 부분집합을 생성하고, 향상된 mRMR 점수에 기반해 특징을 점진적으로 추가한다.
• 지원 벡터 기반 분류기(SVM)를 사용하여 각 후보 부분집합의 분류 성능을 평가한다.
• 분류 정확도를 최대화하고 중복을 최소화하는 최적의 특징 부분집합을 선정한다.
• 실시간 PMU 데이터를 특징 선택 파이프라인에 통합하여 온라인 일시적 안정성 평가에 대한 실용성을 확보한다.

실험 결과

연구 질문

• RQ1 표준 mRMR 기준은 어떻게 개선되어야 하며, 일시적 안정성 평가에서 특징 관련성과 중복을 더 잘 반영할 수 있는가?
• RQ2 가중치 계수의 도입이 PMU 데이터에서 최적의 특징 부분집합 선택에 어떤 영향을 미치는가?
• RQ3 제안된 방법은 기존 mRMR보다 일시적 안정성 예측에서 더 높은 분류 정확도를 달성할 수 있는가?
• RQ4 증분 검색 전략과 SVM의 조합은 대규모 특징 공간에서 최적의 특징 부분집합을 효과적으로 식별할 수 있는가?
• RQ5 실시간 전력 시스템 응용에서 높은 관련성은 유지하면서 중복은 얼마나 낮게 유지할 수 있는가?

주요 결과

• 가중치 계수를 적용한 향상된 mRMR 기준은 특징 관련성과 중복 측정을 크게 향상시켜 더 나은 특징 선택 성능을 이끌어낸다.
• 제안된 방법은 뉴잉글랜드 39bus 및 IEEE 50기자기계 시험 시스템에서 일시적 안정성 평가에서 높은 분류 정확도를 달성했다.
• 증분 검색 전략은 중첩된 특징 부분집합을 효율적으로 탐색하여 최적의 부분집합을 체계적으로 평가하고 선정하는 데 기여했다.
• SVM 분류기는 후보 특징 부분집합을 평가할 때 뛰어난 일반화 성능를 보이며, 선정된 특징의 강건성을 확인했다.
• 실시간 PMU 데이터를 특징 선택 프레임워크에 통합함으로써 온라인 일시적 안정성 모니터링에 대한 실용적 타당성을 확보했다.
• 표준 mRMR보다 더 작고 고성능 특징 부분집합을 효과적으로 식별하여 계산 부담을 줄였지만 정확도를 희생시키지 않았다.