[논문 리뷰] Outage Detection in Partially Observable Distribution Systems using Smart Meters and Generative Adversarial Networks

Yuxuan Yuan, Kaveh Dehghanpour외 2명|arXiv (Cornell University)|2019. 12. 10.

Electricity Theft Detection Techniques참고 문헌 20인용 수 4

한 줄 요약

이 논문은 스마트 미터(SM) 데이터를 사용하여 부분적으로 관찰 가능한 배전 시스템에서 GAN 기반의 비지도(outage) 감지 방법을 제안한다. 너비 우선 탐색(BFS)을 통해 네트워크를 영역으로 분할하고, 정상적인 SM 데이터 분포를 모델링하기 위해 GAN을 훈련함으로써, 이상치 점수를 통해 장애를 감지한다. 이 방법은 중간에서 큰 장애에 대해 90% 이상의 F1 점수와 AUC를 달성하며, 외부 장애와 데이터 부족에 대해서도 강건성을 확보한다.

ABSTRACT

In this paper, we present a novel data-driven approach to detect outage events in partially observable distribution systems by capturing the changes in smart meters' (SMs) data distribution. To achieve this, first, a breadth-first search (BFS)-based mechanism is proposed to decompose the network into a set of zones that maximize outage location information in partially observable systems. Then, using SM data in each zone, a generative adversarial network (GAN) is designed to implicitly extract the temporal-spatial behavior in normal conditions in an unsupervised fashion. After training, an anomaly scoring technique is leveraged to determine if real-time measurements indicate an outage event in the zone. Finally, to infer the location of the outage events in a multi-zone network, a zone coordination process is proposed to take into account the interdependencies of intersecting zones. We have provided analytical guarantees of performance for our algorithm using the concept of entropy, which is leveraged to quantify outage location information in multi-zone grids. The proposed method has been tested and verified on distribution feeder models with real SM data.

연구 동기 및 목표

• 전체 관측이 불가능한 스마트 미터 커버리지가 제한된 배전 시스템에서의 장애 감지 과제를 해결한다.
• 정상 운영 데이터에 비해 희소한 장애 사건으로 인한 데이터 불균형 문제를 해결한다.
• 라벨이 부여된 장애 데이터에 의존하지 않고도 고차원의 SM 데이터 내 복잡한 시간-공간적 종속성을 포착한다.
• 영역 간 협업과 정보 이론적 영역 분할을 활용하여 다중 영역 네트워크에서 정확한 장애 정위치 특정을 가능하게 한다.
• 장애 패tern이나 라벨된 학습 데이터에 대한 사전 지식이 필요 없는 강건한 비지도 프레임워크를 개발한다.

제안 방법

• 장애 위치 정보를 최대화하는 방식으로 겹치는 영역을 형성하는 너비 우선 탐색(BFS) 기반 알고리즘을 적용하여 분포 네트워크를 영역으로 분할한다.
• 각 영역 내 역사적 SM 데이터를 기반으로 비지도 방식으로 생성적 적대 기반 네트워크(GAN)를 훈련하여 정상 운영의 공동 분포를 학습한다.
• GAN의 판별기 출력을 활용하여 학습된 정상 분포에서의 편차를 측정함으로써 실시간 SM 측정치의 이상치 점수를 계산한다.
• 상호의존성과 공간 일관성을 활용하여 겹치는 영역 간의 장애 위치를 추론하기 위해 영역 간 협업 메커니즘을 도입한다.
• 엔트로피 기반 분석적 보장을 활용하여 영역 분할이 최대한의 장애 위치 정보를 포착하도록 보장한다.
• 이상치 점수를 판별기 출력의 함수로 정의하며, 높은 값은 잠재적 장애 사건을 나타낸다.

실험 결과

연구 질문

• RQ1 스마트 미터가 일부 노드에만 설치된 부분적으로 관찰 가능한 배전 시스템에서 장애 감지는 어떻게 효과적으로 수행될 수 있는가?
• RQ2 라벨이 부여된 장애 데이터가 없이도 SM 데이터의 정상 분포를 학습함으로써 GAN 기반 비지도 모델이 장애 사건을 신뢰성 있게 감지할 수 있는가?
• RQ3 실시간 장애 감지를 위해 고차원의 SM 데이터 내 시간적·공간적 종속성을 효과적으로 모델링할 수 있는가?
• RQ4 외부 장애가 영역의 이상치 점수에 미치는 영향은 무엇이며, 이 방법은 내부와 외부 교란을 구분할 수 있는가?
• RQ5 제안된 영역 분할 및 협업 메커니즘이 다중 영역 시스템에서 장애 정위치 특정 정확도를 어떻게 향상시키는가?

주요 결과

• 대규모 장애 사례(150kW, 80명의 고객)에 대해 F1 점수 0.9326, AUC 0.9363을 달성하여 높은 감지 정확도를 입증한다.
• 중간 규모 장애(100kW, 50명의 고객)에 대해 모든 영역에서 F1 점수 0.9175, AUC 0.9179를 기록하여 뛰어난 성능을 보인다.
• 소규모 장애 사례(40kW, 20명의 고객)에 대해서도 F1 점수 0.7223, AUC 0.7641을 확보하여 미세한 교란에도 감지 가능성을 입증한다.
• 정상 조건에서는 이상치 점수가 안정적으로 유지되며(평균 ≈1.263), 장애 발생 시에는 크게 증가함(평균 ≈1.33)하여 명확한 구분이 가능하다.
• 영역 외부에서 발생한 장애는 해당 영역의 이상치 점수에 크게 영향을 주지 않으며, Δζ(이상치 점수 변화)는 거의 0에 가까워 강건성을 확인한다.
• 영역 간 협업 메커니즘이 겹치는 영역을 통해 장애를 성공적으로 정위치 특정하며, 대부분의 영역에서 중간 및 대규모 장애에 대해 정밀도와 재현율이 0.9를 초과한다.