[논문 리뷰] Parameters Calibration for Power Grid Stability Models using Deep Learning Methods

Renke Huang, Rui Fan외 3명|arXiv (Cornell University)|2019. 05. 08.

Power System Optimization and Stability참고 문헌 2인용 수 7

한 줄 요약

이 논문은 PMU 측정값과 자동 시뮬레이션 데이터 생성을 활용하여 신뢰성 있는 전력망 안정성 모델 파라미터 校정을 위한 딥러닝 기반 방법을 제안한다. 흐름이 있는 다중 출력 컨볼루션 신경망(CNN)을 사용하여, 변동된 파라미터에서 생성된 합성 동적 응답 데이터로 훈련함으로써 기존 방법과 전통적인 MLP보다 더 높은 정확도를 달성하였으며, 주요 파라미터인 발전기 관성 및 exciter 이득에 대해 예측 오차를 최대 80%까지 감소시켰다.

ABSTRACT

This paper presents a novel parameter calibration approach for power system stability models using automatic data generation and advanced deep learning technology. A PMU-measurement-based event playback approach is used to identify potential inaccurate parameters and automatically generate extensive simulation data, which are used for training a convolutional neural network (CNN). The accurate parameters will be predicted by the well-trained CNN model and validated by original PMU measurements. The accuracy and effectiveness of the proposed deep learning approach have been validated through extensive simulation and field data.

연구 동기 및 목표

• 전력 시스템 안정성 모델의 전통적인 오프라인 파라미터 校정 방식의 높은 비용과 시간 소모 문제를 해결하기 위해.
• 광범위하게 활용되는 PMU 측정값을 활용하여 실시간, 데이터 기반의 모델 검증 및 校정을 가능하게 하기 위해.
• 복잡한 안정성 모델에서 정확하지 않은 파라미터를 자동으로 식별하고 수정할 수 있는 자동화되고 확장 가능한 방법을 개발하기 위해.
• 반복 최적화나 소스 코드 수정이 필요한 필터를 대체하여 딥러닝을 활용해 校정 정확도와 효율성을 향상시키기 위해.
• 전체 발전기 단위의 시뮬레이션 및 실세계 PMU 데이터를 모두 활용하여 방법을 검증하기 위해.

제안 방법

• 실제 PMU 측정값과 시뮬레이션된 동적 응답을 비교하기 위해 PMU 측정 기반의 '이벤트 재생(Playback)' 기법을 사용하여 파라미터 불일치를 식별한다.
• 동적 응답에 대한 영향도를 평가하기 위해 민감도 분석(식 1)을 적용하여 파라미터를 영향력 순으로 정렬하고, 발전기 관성 H 및 exciter 이득 Ka와 같은 고민감도 후보 파라미터로 검색 범위를 좁힌다.
• 기존 값의 50%에서 200% 사이로 무작위로 변동된 목표 파라미터를 활용하여 총 10,000개의 시뮬레이션 데이터셋을 자동 생성한다.
• 공유된 컨볼루션 계층, ReLU 활성화 함수, 최대 풀링, 드롭아웃 정규화를 포함한 다중 출력 CNN을 사용하여 동적 응답 웨이브폼에서 파라미터 값을 예측한다.
• 손실 함수로 RMS 오차를 사용하고, 두 개의 분기 구조를 도입하여 동시에 다수의 파라미터를 예측하면서도 계산 부담을 줄인다.
• CNN 예측 파라미터를 사용하여 두 번째 '이벤트 재생'을 수행하여 시뮬레이션 응답을 생성하고 원본 PMU 데이터와 비교함으로써 예측 결과를 검증한다.

실험 결과

연구 질문

• RQ1 자동 생성된 시뮬레이션 데이터로 훈련된 딥러닝 모델이 PMU 측정값에서 안정성 모델 파라미터를 정확하게 예측할 수 있는가?
• RQ2 기존의 MLP 대비 CNN 기반 접근법은 파라미터 예측 정확도와 노이즈에 대한 강건성 측면에서 어떻게 비교되는가?
• RQ3 제안된 방법은 기존의 최적화 또는 필터링 기법 대비 얼마나 높은 校정 오차 감소를 이룰 수 있는가?
• RQ4 이 방법은 실세계 전력 시스템 모델에서 핵심적인 불안정 파라미터(예: H, Ka, Tb, Ks)를 신뢰성 있게 식별하고 수정할 수 있는가?
• RQ5 CNN의 번역 불변성 및 풀링 아키텍처는 동적 응답 예측의 일반화 능력과 노이즈 내성 향상에 기여하는가?

주요 결과

• CNN 모델은 MLP 모델보다 유의미하게 낮은 예측 오차를 기록하였으며, 발전기 관성(H) 및 exciter 이득(Ka)과 같은 주요 파라미터의 평균 절대 오차가 최대 80%까지 감소하였다.
• 파라미터 H에 대해 CNN은 평균 오차를 MLP의 3.76%에서 1.39%로 감소시켰고, 최대 오차도 10.30%에서 3.77%로 감소시켰다.
• exciter 이득 Ka에 대해 CNN은 평균 오차 0.96%를 기록하여 MLP의 3.46%보다 낮게 유지하였으며, 최대 오차도 4.83%로 MLP의 16.84%보다 훨씬 낮았다.
• 시간 상수 Tb는 두 모델 모두에서 매우 낮은 편차(2% 이내)를 보였으며, 이는 높은 안정성과 일관성을 의미한다.
• 감도 제어기 이득 Ks는 CNN이 평균 오차 0.33%로 매우 높은 정확도를 기록하였고, MLP 대비 2.86%보다 훨씬 낮았다.
• CNN 예측 파라미터를 사용한 시뮬레이션 동적 응답은 실세계 PMU 측정값과 매우 유사하게 일치하였으며, 원본 모델 출력 및 MLP 校정 결과보다 뛰어난 성능을 보였다.