[논문 리뷰] Hybrid integration of multilayer perceptrons and parametric models for reliability forecasting in the smart grid

Longfei Wei, Arif I. Sarwat|arXiv (Cornell University)|2018. 10. 03.

Power System Reliability and Maintenance참고 문헌 23인용 수 5

한 줄 요약

이 논문은 일반 기상 데이터를 사용하여 스마트 그라이드 배전망에서의 일일 지속적 및 순간적 정전을 예측하기 위해 다항식 및 지수 회귀를 수정된 극단적 학습 기반 기계학습(ELM)과 융합한 하이브리드 MLP-파arametric 모델 프레임워크를 제안한다. 통계 모델에 비해 지속적 정전의 경우 평균제곱오차(MSE)를 8.77% 감소시키고, 순간적 정전의 경우 61.37% 감소시킨다.

ABSTRACT

The reliable power system operation is a major goal for electric utilities, which requires the accurate reliability forecasting to minimize the duration of power interruptions. Since weather conditions are usually the leading causes for power interruptions in the smart grid, especially for its distribution networks, this paper comprehensively investigates the combined effect of various weather parameters on the reliability performance of distribution networks. Specially, a multilayer perceptron (MLP) based framework is proposed to forecast the daily numbers of sustained and momentary power interruptions in one distribution management area using time series of common weather data. First, the parametric regression models are implemented to analyze the relationship between the daily numbers of power interruptions and various common weather parameters, such as temperature, precipitation, air pressure, wind speed, and lightning. The selected weather parameters and corresponding parametric models are then integrated as inputs to formulate a MLP neural network model to predict the daily numbers of power interruptions. A modified extreme learning machine (ELM) based hierarchical learning algorithm is introduced for training the formulated model using realtime reliability data from an electric utility in Florida and common weather data from National Climatic Data Center (NCDC). In addition, the sensitivity analysis is implemented to determine the various impacts of different weather parameters on the daily numbers of power interruptions.

연구 동기 및 목표

• 일반적인 기상 조건 하에서 스마트 그라이드 배전망의 정전을 정확하게 예측하는 데 도전하는 것 — 이는 고객 정전의 주요 원인이다.
• 다중 기상 변수와 정전 빈도 간의 복잡한 비선형 상호작용을 포착하지 못하는 전통적 통계 모델의 한계를 극복하는 것.
• 예측 정확도 향상을 위해 파라메트릭 회귀와 다층 퍼셉트론(MLP) 신경망을 융합한 하이브리드 예측 프레임워크를 개발하는 것.
• 온도, 풍속, 강수량, 기압, 번개 등 개별 기상 변수가 일일 정전 건수에 미치는 상대적 영향을 민감도 분석을 통해 규명하는 것.

제안 방법

• 일일 정전 건수(지속적 N 및 순간적 M)와 개별 기상 변수(온도, 강수량, 기압, 풍속, 번개, 가열도수일수 H) 간의 비선형 관계를 정량화하기 위해 다항식 및 지수 회귀 모델을 적용한다.
• 파라메트릭 모델의 예측값을 다층 퍼셉트론(MLP) 신경망의 추가 입력으로 사용하여, 원시 기상 데이터와 회귀 기반 정전 예측치를 포함한 총 24개 뉴런으로 구성된 하이브리드 입력층을 형성한다.
• 학습, 검증, 테스트를 위해 수정된 극단적 학습 기반 기계학습(ELM) 알고리즘을 구현하며, 데이터셋을 60% 학습, 15% 검증, 25% 테스트로 분할(2015년 1월 – 2017년 4월).
• 플로리다 주의 전력 신뢰성 실시간 데이터와 NCDC의 역사적 기상 데이터를 사용하여 MLP를 학습시키며, 학습 에포크 동안 평균제곱오차(MSE)를 통해 수렴성과 성능을 모니터링한다.
• 모델 출력에 대한 각 입력 변수의 일阶 도함수를 활용한 민감도 분 析를 수행하여 각 기상 변수가 정전 예측에 미치는 영향을 정량화한다.
• 전체 테스트 기간 동안 예측된 정전 건수와 실제 일일 지속적(N) 및 순간적(M) 정전 건수를 비교하여 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 온도, 풍속, 강수량, 기압, 번개와 같은 일반적인 기상 변수들이 배전망에서의 일일 지속적 및 순간적 정전 빈도에 어떻게 종합적으로 영향을 미치는가?
• RQ2 파라메트릭 회귀와 다층 퍼셉트론(MLP) 신경망을 융합한 하이브리드 프레임워크가 기존 통계 모델에 비해 예측 정확도를 향상시킬 수 있는가?
• RQ3 각 개별 기상 변수의 변동에 따른 정전 예측의 상대적 민감도는 어떻게 되며, 어떤 기상 요소가 신뢰성 성능에 가장 강한 영향을 미치는가?
• RQ4 수정된 ELM 알고리즘이 정전 예측의 맥락에서 학습 수렴성과 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 제안된 하이브리드 MLP 프레임워크는 단독 통계 모델에 비해 지속적 정전 예측의 평균제곱오차(MSE)를 8.77% 감소시켰다.
• 순간적 정전의 경우, 제안된 프레임워크는 통계 모델 대비 MSE를 61.37% 감소시켜 예측 정확도 향상이 뚜렷하게 입증되었다.
• 민감도 분석 결과, 번개(L)가 지속적 및 순간적 정전 건수에 가장 큰 영향을 미치며, 특히 플로리다의 장마기(6월–9월) 동안 두드러진 영향을 보였다.
• 가열도수일수(H)는 온도가 일년 내내 65°F 이상 유지되어 연간 가열도수일수 값이 낮기 때문에 정전 빈도에 가장 작은 영향을 미친다.
• 수정된 ELM 알고리즘은 학습 과정에서 안정적인 수렴을 보였으며, 에포크가 진행될수록 MSE가 감소하여 테스트 데이터셋에 대한 효과적인 학습과 일반화 능력을 보였다.
• 파라메트릭 모델의 출력을 MLP의 입력으로 통합함으로써, 기상 변수 간의 복잡한 비선형 상호작용을 더 잘 포착할 수 있게 되었으며, 원시 기상 데이터나 단순 통계 피팅에 의존하는 모델보다 성능이 뛰어났다.