[논문 리뷰] Physics-Informed Machine Learning for Data Anomaly Detection, Classification, Localization, and Mitigation: A Review, Challenges, and Path Forward

Mehdi Jabbari Zideh, Paroma Chatterjee외 1명|arXiv (Cornell University)|2023. 09. 19.

Computational Physics and Python Applications인용 수 5

한 줄 요약

이 논문은 전력 시스템에서 이상 탐지, 분류, 국소화 및 완화를 위한 물리 기반 기계 학습(PIML) 방법을 검토한다. 물리 법칙을 기계 학습 모델에 통합하여 타당성, 해석 가능성 및 신뢰성을 향상시킨다. 시공간 상관관계를 포착하기 위해 CNN-LSTM 및 그래프 신경망(GNN)과 같은 하이브리드 아키텍처를 제안하며, 관측 한계 및 확장성과 같은 주요 과제를 밝히고 사이버-전력 시스템에 실질적인 구현을 위한 해결책을 제시한다.

ABSTRACT

Advancements in digital automation for smart grids have led to the installation of measurement devices like phasor measurement units (PMUs), micro-PMUs ($μ$-PMUs), and smart meters. However, a large amount of data collected by these devices brings several challenges as control room operators need to use this data with models to make confident decisions for reliable and resilient operation of the cyber-power systems. Machine-learning (ML) based tools can provide a reliable interpretation of the deluge of data obtained from the field. For the decision-makers to ensure reliable network operation under all operating conditions, these tools need to identify solutions that are feasible and satisfy the system constraints, while being efficient, trustworthy, and interpretable. This resulted in the increasing popularity of physics-informed machine learning (PIML) approaches, as these methods overcome challenges that model-based or data-driven ML methods face in silos. This work aims at the following: a) review existing strategies and techniques for incorporating underlying physical principles of the power grid into different types of ML approaches (supervised/semi-supervised learning, unsupervised learning, and reinforcement learning (RL)); b) explore the existing works on PIML methods for anomaly detection, classification, localization, and mitigation in power transmission and distribution systems, c) discuss improvements in existing methods through consideration of potential challenges while also addressing the limitations to make them suitable for real-world applications.

연구 동기 및 목표

• 순수 데이터 기반 기계 학습의 한계를 해결하기 위해 전력 시스템에서의 비타당한 예측, 해석 가능성 부족, 일반화 능력 열악함을 해결한다.
• 전력 격자 물리 제약 조건을 기계 학습 모델에 통합하여 실시간 운영에 적합하고 물리적으로 일관된 신뢰할 수 있는 솔루션을 확보한다.
• 감독, 준감독, 무감독, 강화 학습을 포함한 다양한 기계 학습 기법을 활용한 기존 PIML 기법을 검토하여 전송 및 배전 시스템에서의 이상 탐지 및 완화에 적용한다.
• 시공간 상관관계 모델링, 시스템 크기 의존성, 관측 한계와 같은 주요 과제를 식별하고 실용적 구현을 위한 해결책을 제안한다.
• 안정적이고 확장 가능하며 해석 가능한 PIML 프레임워크를 개발하기 위한 향후 방향을 제시한다. 이는 사이버-전력 시스템의 안전성과 회복력을 확보하기 위함이다.

제안 방법

• 기계 학습 학습 목표에 주어진 방정정식(예: 전력 흐름 방정식)을 통합한 물리 기반 신경망(PINNs)과 손실 함수를 활용하여 물리적 일관성을 강제한다.
• PMU 및 스마트 미터 데이터의 공간 상관관계(컨볼루션 신경망을 통해)와 시간 의존성(LSTM을 통해)을 모델링하기 위해 CNN-LSTM과 같은 하이브리드 딥 러닝 아키텍처를 사용한다.
• 전력 시스템을 그래프로 표현하여 버스를 노드로, 줄선을 간선으로 간주함으로써 구조 인식 학습과 더 나은 공간 일반화를 가능하게 하는 그래프 신경망(GNNs)을 적용한다.
• 감독 및 무감독 모델의 손실 함수에 물리 제약 조건을 직접 통합하여 물리적으로 비타당한 예측을 방지한다.
• 시스템 역학을 존중하면서 이상 완화의 의사결정을 이끄는 물리 기반 보상 함수를 활용한 강화 학습(RL)을 적용한다.
• 비기술적 손실 및 측정 오류 상황에서 이상 탐지를 위한 오토인코더(AE)에 물리 기반 정규화를 결합한다.

실험 결과

연구 질문

• RQ1 물리 기반 기계 학습은 감독, 준감독, 무감독, 강화 학습 모델에 어떻게 물리 법칙을 효과적으로 통합할 수 있는가? 전력 시스템 응용 분야에서의 적용을 고려하여 설명하라.
• RQ2 PMU 및 스마트 미터 측정치에서의 시공간 상관관계를 포착하기 위해 가장 효과적인 딥 러닝 아키텍처(예: CNN-LSTM 또는 GNNs)는 무엇인가?
• RQ3 순수 데이터 기반 접근 방식에 비해 PIML 방법은 기계 학습 출력의 해석 가능성, 타당성, 신뢰성 측면에서 어떻게 향상되는가?
• RQ4 실세계 전력 시스템에 PIML를 구현할 때 주요 과제는 무엇인가? 특히 시스템 크기, 관측 가능성, 부하 변동성 측면에서 설명하라.
• RQ5 PIML 모델은 어떻게 완전하지 않거나 노이즈가 많은 측정치를 처리하고, 동적인 불확실한 운영 조건에서도 성능을 유지할 수 있도록 개선할 수 있는가?

주요 결과

• CNN-LSTM과 같은 하이브리드 모델은 PMU 및 스마트 미터 데이터의 공간적·시간적 상관관계를 효과적으로 포착하여 이상 탐지 및 궤적 예측 성능을 향상시킨다.
• 그래프 신경망(GNNs)은 전력 시스템의 구조를 자연스럽게 모델링할 수 있는 프레임워크를 제공하며, 다양한 네트워크 구성에 걸쳐 더 나은 일반화를 가능하게 한다.
• 손실 함수에 물리 제약 조건을 통합하면 물리적으로 비타당한 예측의 발생 빈도가 크게 감소하여 모델 신뢰성과 신뢰도가 향상된다.
• PIML 방법은 레이블이 부족한 실세계 환경에서 레이블이 많은 데이터에 대한 의존도를 줄이며, 이는 주로 레이블이 부족한 이상 현상에 대한 주요 구현 장벽을 해결한다.
• 진전이 있었음에도 불구하고, 관측 한계, 시스템 확장성, 부하 변동성 문제는 여전히 남아 있으며, 이를 해결하기 위해 시스템 구조 및 동적 행동의 개선된 모델링이 필요하다.
• 딥 러닝 아키텍처에 물리 법칙을 통합하면 더 해석 가능하고 일반화 가능한 모델이 되며, 이는 사이버-전력 시스템의 실시간 제어 및 의사결정에 적합하다.