[논문 리뷰] Networked Synthetic Dynamic PMU Data Generation: A Generative Adversarial Network Approach

Xiangtian Zheng, Bin Wang외 2명|arXiv (Cornell University)|2019. 08. 22.

Computational Physics and Python Applications인용 수 4

한 줄 요약

이 논문은 전력 시스템의 현실적인 기계적 동적 특성과 키르히호프의 법칙을 반영하는 다중 네트워크 PMU 데이터 스트림을 직접 합성하는 GAN 기반 방법을 제안한다. 기존의 전력 시스템 시뮬레이션에 의존하지 않고 역사적 측정치에서 동기화된 다중 버스 PMU 데이터를 생성하며, 39버스 및 200버스 시스템에서 높은 통계적 및 동적 정밀도를 입증한다.

ABSTRACT

This paper introduces a machine learning-based approach to synthetically create multiple phasor measurement unit (PMU) data streams at different buses in a power system. In contrast to the existing literature of creating synthetic power grid network and then using simulation software to output synthetic PMU data, we propose a generative adversarial network (GAN) based approach to synthesize multiple PMU measurement streams directly from historical data. The proposed method can simultaneously create multiple PMU measurement streams that reflect practically meaningful electromechanical dynamics which observe the Kirchhoff's laws. We further validate the synthetic data via the statistical resemblance and the modal analysis. The efficacy of this new approach is demonstrated by numerical studies on a 39-bus system and a 200-bus system.

연구 동기 및 목표

• 전력 시스템에서 현실적인 기계적 동적 특성을 반영하는 다중 버스 합성 PMU 데이터 스트림을 생성하는 것.
• 합성 네트워크 생성 후 전력 시스템 시뮬레이션에 의존하는 기존 방법의 한계를 극복하는 것.
• 키르히호프의 전류 및 전압 법칙과 같은 기본 전력 시스템 법칙을 준수하는 데이터 생성을 보장하는 것.
• 통계적 유사성 및 모드 분석 기법을 사용하여 합성 데이터의 유효성을 검증하는 것.
• 대규모 시스템, 특히 200버스 테스트 케이스에서의 방법의 확장성 및 정밀도를 입증하는 것.

제안 방법

• 다중 버스 위상자료의 기저 분포를 학습하기 위해 역사적 PMU 측정치에 직접 GAN을 훈련한다.
• 생성자 네트워크는 다중 버스에서 동시에 합성 PMU 데이터 스트림을 생성하며, 버스 간 상관관계를 유지한다.
• 판별자 네트워크는 실제 역사적 PMU 데이터와 합성 데이터를 구분함으로써 통계적 현실성에 대한 제약을 강화한다.
• 학습 과정에서 아키텍처나 손실 함수 제약을 통해 생성된 데이터가 키르히호프의 법칙을 준수하도록 물리적 일관성을 확보한다.
• 전력 시스템 네트워크 모델링과 동적 시뮬레이션을 거치지 않고, 직접적으로 동기화된 위상 측정치를 합성한다.
• 통계적 유사성 지표와 모드 분석을 사용하여 동적 정밀도를 검증한다.

실험 결과

연구 질문

• RQ1 GAN 기반 접근법은 전력 시스템에서 현실적인 기계적 동적 특성을 반영하는 다중 동기화 PMU 데이터 스트림을 생성할 수 있는가?
• RQ2 합성 데이터는 실제 역사적 PMU 측정치의 통계적 성질을 어느 정도 유지하는가?
• RQ3 다중 버스 네트워크 환경에서 생성된 데이터 스트림은 키르히호프의 법칙을 얼마나 잘 충족하는가?
• RQ4 제안된 방법은 200버스 시스템과 같은 대규모 전력 시스템에 대해 확장 가능하며, 데이터 품질을 유지할 수 있는가?
• RQ5 모드 분석에서 합성 데이터는 실제 PMU 데이터와 비교해 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 GAN 기반 방법은 현실적인 기계적 동적 특성을 반영하는 다중 동기화 PMU 데이터 스트림을 성공적으로 생성한다.
• 비교 통계 분석을 통해 합성 데이터가 실제 역사적 PMU 데이터와 강한 통계적 유사성을 보임을 검증하였다.
• 모드 분석 결과, 합성 데이터는 실제 PMU 측정치에 존재하는 핵심 진동 모드를 유지하고 있음을 확인하였다.
• 생성된 데이터 스트림은 키르히호프의 법칙을 충족하여 네트워크 기반 시스템 전반에서 물리적 타당성을 확보하였다.
• 39버스 및 200버스 테스트 시스템에서 모두 방법의 확장성과 강건성을 입증하였다.
• 별도의 전력 시스템 모델링 및 시뮬레이션을 필요로 하지 않아 역사적 측정치에서 직접 데이터를 생성할 수 있었다.