[논문 리뷰] Just-In-Time Learning for Operational Risk Assessment in Power Grids

Oliver Stover, Pranav Karve외 5명|arXiv (Cornell University)|2022. 09. 26.

Electric Power System Optimization인용 수 4

한 줄 요약

이 논문은 고재생에너지 비중을 가진 전력망에서 실시간 운영 위험 평가를 가속화하기 위해 시간에 따라 변화하는 위험 대체모형을 실시간으로 학습하는 JITRALF라는 최소한의 기계학습 프레임워크를 제안한다. 비대칭 손실 함수를 사용하여 위험한 운영 영역에서의 정확한 예측을 우선시함으로써, JITRALF는 계산 부담을 줄이면서도 부족한 예비력, 부하 차단, 운영 비용의 위험 추정 정확도를 유지한다. 이는 비용 효율적이고 적시에 위험 완화 조치를 내릴 수 있도록 한다.

ABSTRACT

In a grid with a significant share of renewable generation, operators will need additional tools to evaluate the operational risk due to the increased volatility in load and generation. The computational requirements of the forward uncertainty propagation problem, which must solve numerous security-constrained economic dispatch (SCED) optimizations, is a major barrier for such real-time risk assessment. This paper proposes a Just-In-Time Risk Assessment Learning Framework (JITRALF) as an alternative. JITRALF trains risk surrogates, one for each hour in the day, using Machine Learning (ML) to predict the quantities needed to estimate risk, without explicitly solving the SCED problem. This significantly reduces the computational burden of the forward uncertainty propagation and allows for fast, real-time risk estimation. The paper also proposes a novel, asymmetric loss function and shows that models trained using the asymmetric loss perform better than those using symmetric loss functions. JITRALF is evaluated on the French transmission system for assessing the risk of insufficient operating reserves, the risk of load shedding, and the expected operating cost.

연구 동기 및 목표

• 고재생에너지 변동성이 큰 전력시스템에서 실시간 몬테카를로 기반 위험 평가의 계산 비용이 지나치게 높아지는 문제를 해결하기 위해.
• 일일 전망 및 실시간 운영에서 시간이 지남에 따라 변화하는 전력망 구조 및 발전기 할당 상태를 고려한 도전 과제를 해결하기 위해.
• 부족한 예비력 예측이 더 큰 시스템 신뢰성 위험을 초래하는 위험한 운영 영역에서의 예측 정확도를 향상시키기 위해.
• 최신의 정확한 위험 추정치를 바탕으로 전력망 운영자가 위험 완화 조치를 연기하고 최소화할 수 있도록 하기 위해.
• 확장 가능하고 실용적인 프레임워크를 개발하여 확률적 예측과 디지털 트윈 시뮬레이션을 활용한 실시간 위험 평가를 가능하게 하기 위해.

제안 방법

• 발전기 할당 및 시스템 구조가 매시간 변화하므로, 매 시간대별로 전용 기계학습 대체모형을 학습시킨다.
• 최소 학습 기반: 일일 전망 기반 안정성 제약 경제적 운용(일일 전망 FRAC) 이후의 시뮬레이션 데이터를 사용해 모델을 학습시킨다.
• 위험 인지 기반 비대칭 손실 함수를 도입하여, 특히 운영 한계 근처 또는 초과 영역에서 위험을 과소평가하는 것을 더 철저히 처벌한다.
• SCED 문제를 해결하지 않고도 예측할 수 있는 주요 관심량(QoI)인 예비력 부족 위험, 부하 차단 위험, 기대 운영 비용을 예측하도록 모델을 학습시킨다.
• 바람, 태양광 및 부하의 확률적 예측을 입력으로 사용하고, 고정밀도 학습 데이터를 생성하기 위해 디지털 트윈 시뮬레이션을 활용한다.
• 프랑스 전력송전망에서 고위험, 중위험, 저위험 시나리오를 대상으로 실시간 위험 평가 성능을 검증한다.

실험 결과

연구 질문

• RQ1 최소 기계학습 대체모형을 실시간으로 학습시켜 전력시스템의 실시간 운영 위험 평가에 필요한 계산 비용을 크게 줄일 수 있는가?
• RQ2 비대칭 손실 함수를 사용할 경우 대칭 손실 함수 대비 위험한 비정상 운영 영역에서 모델 성능이 어떻게 향상되는가?
• RQ3 최신 예측 자료를 활용해 JITRALF가 실시간으로 예비력 부족 위험, 부하 차단 위험, 운영 비용을 얼마나 정확하게 예측할 수 있는가?
• RQ4 실시간 위험 추정치를 통해 전력망 운영자가 비용이 많이 드는 위험 완화 조치를 연기하고 최소화하면서도 시스템 신뢰성을 유지할 수 있는가?
• RQ5 시간대별로 대체모형을 학습시키는 방식이 전력망 구조 및 발전기 할당 패턴의 동적 변화를 어떻게 반영하는가?

주요 결과

• JITRALF는 예비력 부족 위험, 부하 차단 위험, 기대 운영 비용 예측에서 높은 정확도를 달성하였으며, 저위험 시나리오에서는 평균 절대 오차(MAE)가 최소 0.02×10⁴$ 수준에 도달했다.
• 비대칭 위험 인지 손실 함수를 사용한 모델은 대칭 손실 함수 모델보다 특히 고위험 시나리오에서 성능이 뛰어나, 핵심 영역에서 오차를 최대 50%까지 감소시켰다.
• 고위험 시나리오에서는 대규모 예비력 할당의 필요성을 정확히 식별하였고, 저위험 케이스에서는 최소한의 개입이 필요한 것을 정확히 예측하였다.
• 실시간 위험 평가로 운영자가 위험 수준이 확실해지기 전까지 추가 발전기 가동을 연기할 수 있어, 운영 비용과 배출가스를 줄일 수 있다.
• 프레임워크는 실시간으로 위험한 조건을 식별하는 데 성공하였으며, 부하 차단 위험 예측의 경우 고위험 케이스에서 MAE는 18.1×10⁴$ (HAL: 21.6×10⁴$)를 기록하였다.
• 부하 차단 위험의 평균 값은 고위험 시나리오에서 83, 중위험 시나리오에서 14.9, 저위험 시나리오에서 0이며, JITRALF의 예측치는 이 기준값과 매우 밀접하게 일치하여 뛰어난 정밀도를 입증하였다.