[논문 리뷰] LEAP nets for power grid perturbations

Benjamin Donnot, Balthazar Donon외 5명|arXiv (Cornell University)|2019. 08. 22.

Topic Modeling참고 문헌 8인용 수 8

한 줄 요약

이 논문은 전력망의 정상적인 구성 외의 구성 변화에 대해 훈련 없이도 초광범위한 일반화를 가능하게 하는 신경망 아키텍처인 LEAP 넷을 소개한다. 이는 위상적 변화의 잠재 표현을 학습함으로써 전력망의 교란을 모델링한다. 이 방법은 물리적 시뮬레이터 대비 최대 2000배 빠른 속도를 달성하면서도 실제 프랑스 초고압 전력망 데이터에서 높은 정확도를 유지한다.

ABSTRACT

We propose a novel neural network embedding approach to model power transmission grids, in which high voltage lines are disconnected and reconnected with one-another from time to time, either accidentally or willfully. We call our architeture LEAP net, for Latent Encoding of Atypical Perturbation. Our method implements a form of transfer learning, permitting to train on a few source domains, then generalize to new target domains, without learning on any example of that domain. We evaluate the viability of this technique to rapidly assess cu-rative actions that human operators take in emergency situations, using real historical data, from the French high voltage power grid.

연구 동기 및 목표

• 훈련된 위상 구조를 초월해 전력송전망에서의 전력 흐름 계산을 신속화하기 위해 신경망을 활용하는 것.
• 이중 또는 고차 위상 변화와 같은 드문 또는 복잡한 위상 변화에 대한 데이터 부족 문제를 해결하는 것.
• 재훈련 없이도 일반적인 구성에서 훈련된 모델이 드문 또는 알려지지 않은 구성으로 일반화될 수 있도록 허용하는 전이 학습을 지원하는 것.
• 운영자가 취한 조치를 신속히 평가함으로써 실시간 긴급 결정 지원을 가능하게 하는 것.
• 점점 복잡해지는 전력망 환경에서 전송시스템 운영자(TSO)가 사용할 수 있는 확장성 있고 구현 가능한 신경망 에뮬레이터를 개발하는 것.

제안 방법

• LEAP 넷은 세 부분으로 구성된 아키텍처를 사용한다: 입력 전력 투입량 x를 잠재 공간으로 매핑하는 인코더 E, 위상 τ에 따라 잠재 표현을 조절하는 잠재 모듈 Lτ, 전력 흐름 y를 재구성하는 디코더 D.
• 잠재 모듈 Lτ는 h ↦ d(e(h) ⊙ τ) 형태의 학습된 변환을 적용하며, τ는 선로 단절 여부를 나타내는 이진 벡터이므로 위상 변화에 해당하는 잠재 공간 내 '점프'를 가능하게 한다.
• 모델은 기준 위상 τ⁰과 일원적 변화 τ⁽ⁱ⁾에서 수집된 데이터로 훈련되지만, 명시적으로 훈련되지 않은 이중 또는 고차 위상 변화 τ⁽ⁱʲ⁾에도 일반화된다.
• 이 아키텍처는 잠재 공간 내에서 위상 변화의 분리된 표현을 학습함으로써 초광범위한 일반화를 가능하게 한다.
• 모든 구성 요소(E, Lτ, D)가 미분 가능하므로, 역전파를 통한 엔드 투 엔드 훈련이 가능하다.
• 해당 방법은 합성(IEEE 118-bus) 및 실제 프랑스 툴루즈 전력망 데이터를 대상으로 평가되었으며, 기준 ResNet 및 DC 근사 모델과의 비교가 이루어졌다.

실험 결과

연구 질문

• RQ1 일반적인 전력망 위상 및 일원적 변화에서만 훈련된 신경망이, 미세조정 없이도 훈련 중에 볼 수 없었던 복잡한 위상 구성으로 일반화될 수 있는가?
• RQ2 LEAP 넷 아키텍처는 위상 변화가 발생했을 때 전력 흐름을 예측하는 데 있어 표준 신경망 및 DC 근사 모델과 비교해 어떤가?
• RQ3 위상 변화의 잠재 공간 모델링이 전력망 흐름 예측에서 초광범위한 일반화를 얼마나 잘 가능하게 하는가?
• RQ4 실제 전력망 환경에서 물리적 시뮬레이터 대비 LEAP 넷을 사용할 경우 어떤 정도의 계산 속도 향상을 기대할 수 있는가?
• RQ5 정확한 위상 변화 기록이 완전히 기록되지 않은 관측 데이터에 대해서도 이 방법이 효과적으로 적용될 수 있는가?

주요 결과

• 합성 IEEE 118-bus 시스템에서 LEAP 넷은 물리적 시뮬레이터 대비 300배 빠른 속도를 달성했으며, 기준 모델보다 변동성이 훨씬 낮았다.
• 프랑스 툴루즈 초고압 전력망의 실제 데이터에서 LEAP 넷은 단일 GPU를 사용해 물리적 시뮬레이터 대비 2000배 빠른 속도를 기록했다.
• 실제 데이터에서 LEAP 넷은 동일한 위상 분포에서의 일반화와 훈련 중에 볼 수 없었던 위상 변화에 대한 초광범위한 일반화 모두에서 기준 ResNet 아키텍처를 능가했다.
• 초광범위한 일반화 성능은 안정적이었으며, 훈련 기간에 포함되지 않은 2017년 6월과 7월 데이터를 대상으로도 기준 모델보다 우수했으며, 분포 이탈에 대한 강건성을 입증했다.
• 정확한 위상 기록이 누락된 상황에서도 선로 정지 데이터를 대체로 사용함으로써 효과적으로 일반화가 가능했으며, 이는 실제 운영 데이터에서 흔한 상황이다.
• 이론적 분석은 선형 변화에 대해 초광범위한 일반화가 성립한다고 제안하지만, 실험 결과는 비선형 조합에도 일반화가 확장됨을 확인하여 강력한 일반화 능력을 시사한다.