[논문 리뷰] Invisible Units Detection and Estimation Based on Random Matrix Theory

Xing He, Lei Chu외 4명|arXiv (Cornell University)|2017. 10. 30.

Complex Network Analysis Techniques참고 문헌 27인용 수 7

한 줄 요약

이 논문은 선형 고유값 통계(Les)를 강력한 특징으로 사용하여 분포망에서 보이지 않는 전력 단위를 탐지하고 추정하기 위한 랜덤 매트릭스 이론(RMT) 기반의 데이터 기반 프레임워크를 제안한다. 고차원 그리드 데이터에서 Les에 기반한 가설 검정을 통해 변화점 탐지를 가능하게 하여, 비정상적인 전력 사용과 사기 행위를 정확하게 탐지할 수 있으며, 시뮬레이션 및 실세계 데이터를 통한 검증을 통해 고전적 최소 제곱 추정보다 뚜렷한 향상을 보였다.

ABSTRACT

Invisible units mainly refer to small-scale units that are not monitored by, and thus are not visible to utilities. Integration of these invisible units into power systems does significantly affect the way in which a distribution grid is planned and operated. This paper, based on random matrix theory (RMT), proposes a statistical, data-driven framework to handle the massive grid data, in contrast to its deterministic, model-based counterpart. Combining the RMT-based data-mining framework with conventional techniques, some heuristics are derived as the solution to the invisible units detection and estimation task: linear eigenvalue statistic indicators (LESs) are suggested as the main ingredients of the solution; according to the statistical properties of LESs, the hypothesis testing is formulated to conduct change point detection in the high-dimensional space. The proposed method is promising for anomaly detection and pertinent to current distribution networks-it is capable of detecting invisible power usage and fraudulent behavior while even being able to locate the suspect's location. Case studies, using both simulated data and actual data, validate the proposed method.

연구 동기 및 목표

• 기존 모니터링 방식에서 벗어나 현대 분포망에서 감지되지 않는 소규모 비모니터링 전력 단위(보이지 않는 단위)를 탐지하는 과제를 해결한다.
• 고차원적이고 노이즈가 많은 그리드 데이터에 적합한 통계적 데이터 기반 방법을 활용하여 결정론적 모델 기반 접근의 한계를 극복한다.
• 세부 물리 모델이나 광범위한 데이터 수집을 요구하지 않고도 보이지 않는 단위 탐지 및 그들의 전력 사용 추정이 가능한 프레임워크를 개발한다.
• 분산형, 불확실성 있는 잠재적 사기성 전원 기반의 상황에서도 그리드의 가시성과 투명성을 향상시켜 정확한 시스템 계획 및 운영을 가능하게 한다.

제안 방법

• N개의 노드와 T개의 시간 샘플로 구성된 데이터 행렬을 기반으로, 대규모 시간-공간 그리드 데이터의 고차원 고유값 스펙트럼을 분석하기 위해 랜덤 매트릭스 이론(RMT)을 활용한다.
• 백그라운드 노이즈와 데이터 손실에 민감하지 않은 표본 공분산 행렬의 고유값에서 유도된 강력한 통계적 특징으로 선형 고유값 통계(Les)를 사용한다.
• 시간에 따라 Les 값을 계산하기 위해 체비셰프 다항식 및 우도 비율 함수와 같은 테스트 함수를 적용하여 t–τ 곡선을 구성하고 변화점 탐지를 수행한다.
• Les의 渐近 정규분포를 바탕으로 이원 가설 검정을 수립하여, 보이지 않는 단위 활동을 나타내는 변화점의 통계적 탐지를 가능하게 한다.
• Les 기반 변화점 탐지와 고전적 최소 제곱 추정을 통합하여, 보이지 않는 단위가 탐지되었을 때 정확도를 향상시킨다.
• 탐지된 변화점들을 통합하여 일반 모델을 고전적 모델로 조정함으로써 총 전력 주입량의 정확한 추정이 가능해진다.

실험 결과

연구 질문

• RQ1 랜덤 매트릭스 이론은 고차원 분포망 그리드 데이터에서 보이지 않는 전력 단위를 효과적으로 탐지하는 데 적용될 수 있는가?
• RQ2 선형 고유값 통계(Les)는 물리 모델에 의존하지 않고 그리드 행동의 변화점을 탐지하는 데 어떻게 강력한 특징이 될 수 있는가?
• RQ3 보이지 않는 단위가 존재할 경우, 제안된 RMT 기반 방법이 고전적 최소 제곱 추정에 비해 추정 정확도를 얼마나 향상시키는가?
• RQ4 다양한 테스트 함수(예: 체비셰프, 우도 비율)는 실세계 그리드 데이터에서 Les 성능에 어떤 영향을 미치는가?
• RQ5 이 프레임워크는 통합된 통계적 프레임워크 내에서 사기 행위(예: 가짜 데이터 주입)와 이상 사용(예: 승인되지 않은 PV 설치)을 동시에 탐지할 수 있는가?

주요 결과

• 실세계 전압 및 전류 데이터에서 계산된 Les 값은 랜덤 매트릭스 이론의 이론적 예측과 밀접하게 일치하여 RMT 프레임워크의 타당성을 확인한다.
• Les 기반 변화점 탐지 방법은 오전 8:30과 오전 11:30에 발생한 중요한 그리드 행동 변화를 성공적으로 탐지하였으며, 실세계 운영 패턴과 일치한다.
• 시뮬레이션 케이스에서, 노드 31에서 오전 1:00(400–450)에 변화점이 탐지되었으며, 이는 알려진 TLP와 일치하지 않아 보이지 않는 단위 존재를 시사한다.
• 보이지 않는 단위가 탐지되었고, 그 시작/종료 시간이 반영된 경우, 탐지 없이 추정한 것에 비해 최소 제곱 추정 오차가 크게 감소하였다.
• 그림 5에서 보듯이, 제안된 방법은 고전적 최소 제곱 추정에 비해 훨씬 더 정확한 추정 결과를 도출하였다. 보이지 않는 단위 탐지 기반 모델은 진짜 전력 주입량과 밀접하게 일치하였다.
• 이 프레임워크는 데이터 오류와 무작위 노이즈에 대해 강건성을 보였으며, 데이터 손실 및 이방성 상황에서도 Les 특징이 안정성을 유지하였다.