[논문 리뷰] Introducing machine learning for power system operation support

Benjamin Donnot, Isabelle Guyon외 3명|arXiv (Cornell University)|2017. 09. 27.

Energy Load and Power Forecasting참고 문헌 5인용 수 37

한 줄 요약

이 논문은 프랑스 전력망 운영자(RTE)의 수년간의 역사적 디스패치 행동 데이터를 기반으로, 물리적 시뮬레이션을 통해 안전성을 확보하면서 전문가의 의사결정을 모방함으로써 전력망 운영의 안정성과 비용 절감을 도모하는 하이브리드 기계학습 프레임워크를 제안한다. 이 방법은 실제 데이터를 바탕으로 이mitation learning을 적용하여 사고 상황에서 최적의 네트워크 재구성 조치를 예측한다.

ABSTRACT

We address the problem of assisting human dispatchers in operating power grids in today's changing context using machine learning, with theaim of increasing security and reducing costs. Power networks are highly regulated systems, which at all times must meet varying demands of electricity with a complex production system, including conventional power plants, less predictable renewable energies (such as wind or solar power), and the possibility of buying/selling electricity on the international market with more and more actors involved at a Europeanscale. This problem is becoming ever more challenging in an aging network infrastructure. One of the primary goals of dispatchers is to protect equipment (e.g. avoid that transmission lines overheat) with few degrees of freedom: we are considering in this paper solely modifications in network topology, i.e. re-configuring the way in which lines, transformers, productions and loads are connected in sub-stations. Using years of historical data collected by the French Transmission Service Operator (TSO) "Réseau de Transport d'Electricité" (RTE), we develop novel machine learning techniques (drawing on "deep learning") to mimic human decisions to devise "remedial actions" to prevent any line to violate power flow limits (so-called "thermal limits"). The proposed technique is hybrid. It does not rely purely on machine learning: every action will be tested with actual simulators before being proposed to the dispatchers or implemented on the grid.

연구 동기 및 목표

• 송전선로의 과열을 방지하기 위해 디스패처가 효과적인 복구 조치를 선택하는 데 도움을 주기 위해.
• 프랑스 전력망 운영자(RTE)의 수년간의 역사적 디스패치 행동 데이터를 기반으로 전문가의 의사결정을 모방하는 기계학습 모델을 개발하기 위해.
• 모든 제안된 조치를 실제 운영 전력망 시뮬레이터를 사용해 검증함으로써 안전성과 신뢰성을 확보하기 위해.
• 재디스패치 조치보다 저비용인 네트워크 재구성 조치를 우선시함으로써 운영 비용을 절감하기 위해.
• 학습된 모델을 활용해 실시간 전력망 운영에서 대규모 복구 조치 공간을 신속하고 확장 가능하게 탐색할 수 있도록 하기 위해.

제안 방법

• 대조 분석을 통해 보호 조치로 식별된 역사적 디스패치 행동 데이터를 기반으로 이mitation learning을 적용해 딥러닝 모델을 훈련한다.
• 문제를 감독 학습 과제로 재구성하여 시스템 상태에서 열악한 열 제한 위반을 방지하는 최적의 네트워크 조치로 매핑한다.
• 비용 기반으로 조치를 순위 매기며, 비용이 낮고 선호도가 높은 네트워크 변경 조치를 재디스패치 조치보다 우선시한다.
• 모든 후보 조치는 RTE의 운영 전력망 시뮬레이터를 사용해 안전 기준 준수 여부를 검증한다.
• 프레임워크는 알파고를 영감으로 삼았으며, 향후 강화 학습과 몬테카를로 트리 탐색을 통한 자율 개선을 위해 확장할 계획이다.
• 데이터 기반 예측과 물리 기반 시뮬레이션을 융합함으로써 안전성과 운영 가능성 확보

실험 결과

연구 질문

• RQ1 역사적 디스패치 행동 데이터를 기반으로 훈련된 기계학습 모델이 전력망의 과열을 방지하는 네트워크 복구 조치를 효과적으로 예측할 수 있는가?
• RQ2 원인이 직접 관측되지 않는 비정형 역사적 데이터에서 대조 분석을 어떻게 활용해 보호 조치를 식별할 수 있는가?
• RQ3 학습된 모델이 안전성과 비용 효율성을 유지하면서도 예측되지 않은 사고 시나리오에 얼마나 잘 일반화될 수 있는가?
• RQ4 물리 기반 시뮬레이터의 통합이 실시간 전력망 운영에서 기계학습이 생성한 조치의 신뢰성을 어떻게 보장할 수 있는가?
• RQ5 강화 학습을 이mitation learning과 효과적으로 융합하여 전력망 운영의 정책 학습을 향상시킬 수 있는가?

주요 결과

• 모델은 행동이 균일하게 기록되지 않거나 그 효과가 관측되지 않는 경우에도 대조 추론을 통해 보호 조치를 성공적으로 추출한다.
• 표준 테스트 시스템에서의 초도 테스트 결과는 현실적이고 효과적인 복구 조치 후보를 생성하는 데 있어 유망한 성과를 보였다.
• 모델은 재디스패치 조치보다 저비용의 네트워크 재구성 조치를 우선시하여 운영 관행과 일치한다.
• 모든 제안된 조치는 고정밀 시뮬레이터를 통해 검증되어 N-1 안정성 기준을 충족하고 새로운 취약점을 유발하지 않는다.
• 이 프레임워크는 대규모 조치 공간의 신속한 탐색을 가능하게 하여 디스패처가 수행하는 수동적 시뮬레이션 평가를 크게 능가한다.
• 향후 강화 학습과 몬테카를로 트리 탐색 통합을 통해 조치의 품질과 적응성은 더욱 향상될 것으로 기대된다.