[논문 리뷰] PMU Placement for Line Outage Identification via Multiclass Logistic Regression

Taedong Kim, Stephen J. Wright|arXiv (Cornell University)|2014. 09. 12.

Power System Optimization and Stability참고 문헌 11인용 수 6

한 줄 요약

이 논문은 전력망의 단일선 손상 사고를 식별하기 위해 PMU로 측정한 전압 위상 변화를 기반으로 훈련된 다중분류 로지스틱 회귀(MLR) 모델을 제안한다. 25%의 버스에 불과한 PMU 배치를 위한 게으른 히우리스틱을 사용함으로써, 거의 완벽한 고장 식별 성능을 달성한다 — 118버스 시스템에서 단지 14대의 PMU로도 99% 이상의 정확도를 확보한다. 이는 희박한 PMU 배치가 고장 탐지에 있어 전체 시스템 관측성과 동등한 성능을 낼 수 있음을 보여준다.

ABSTRACT

We consider the problem of identifying a single line outage in a power grid by using data from phasor measurement units (PMUs). When a line outage occurs, the voltage phasor of each bus node changes in response to the change in network topology. Each individual line outage has a consistent "signature," and a multiclass logistic regression (MLR) classifier can be trained to distinguish between these signatures reliably. We consider first the ideal case in which PMUs are attached to every bus, but phasor data alone is used to detect outage signatures. We then describe techniques for placing PMUs selectively on a subset of buses, with the subset being chosen to allow discrimination between as many outage events as possible. We also discuss extensions of the MLR technique that incorporate explicit information about identification of outages by PMUs measuring line current flow in or out of a bus. Experimental results with synthetic 24-hour demand profile data generated for 14, 30, 57 and 118-bus systems are presented.

연구 동기 및 목표

• 동기화된 PMU 측정값을 이용해 전력 시스템의 단일선 고장을 신뢰성 있게 식별하는 방법을 개발하기 위해.
• 제한된 자원으로도 고장 탐지 능력을 극대화할 수 있도록 대규모 변전망에서 최적의 PMU 배치 문제를 해결하기 위해.
• 기존의 PMU 배치 전략을 향상시키기 위해 고장 서명 구분을 주요 최적화 기준으로 삼기 위해.
• 희박한 PMU 배치(최소 25%의 버스)가 단일선 고장 탐지에 있어 거의 전체 관측성과 동등한 성능을 낼 수 있음을 입증하기 위해.
• 볼록 최적화와 히우리스틱을 통한 PMU 위치 선정을 기반으로 실시간 고장 식별을 위한 실용적이고 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• 실제 24시간 부하 프로파일을 기반으로 한 합성 데이터를 사용해, 각 단일선 고장 시나리오에 대응하는 전압 위상 서명을 학습할 수 있도록 다중분류 로지스틱 회귀(MLR) 분류기를 훈련한다.
• PMU 위치 배치 문제를 그룹 LASSO 페널티를 적용한 정규화된 MLR 최적화 문제로 공식화하여 희박성과 핵심 측정 버스 선택을 유도한다.
• 투영된 측정 공간에서 고장 클래스 서명 간 최소 거리가 최대가 되도록 하여, 반복적으로 PMU 위치를 선택하는 게으른 히우리스틱을 적용한다.
• 볼록 최적화 기법을 활용해 AC 전력 흐름 모델을 정확하게 반영하면서도 효율적으로 MLR 모델을 훈련한다.
• 선 전류 측정값을 MLR 프레임워크에 통합하여 서명 구분 능력을 향상시키고, 탐지 정확도를 높인다.
• IEEE 14, 30, 57, 118버스 시스템을 대상으로 실제 부하 조건 하에서 성능을 평가하며, 전체 및 부분 PMU 배치를 비교한다.

실험 결과

연구 질문

• RQ1 PMU 데이터를 활용해 다중분류 로지스틱 회귀가 다양한 단일선 고장의 전압 위상 서명을 효과적으로 구분할 수 있는가?
• RQ2 대규모 전력 시스템에서 고정밀도 선 고장 식별을 달성하기 위해 필요한 최소 PMU 수는 얼마인가?
• RQ3 PMU 위치 전략이 MLR 기반 고장 탐지 시스템의 분류 성능에 어떤 영향을 미치는가?
• RQ4 희박한 PMU 배치(예: 버스의 25%)가 전체 시스템 장착과 동등한 정확도를 유지할 수 있는 정도는 어느 정도인가?
• RQ5 다른 히우리스틱 전략(게으운 히우리스틱 대비 그룹 LASSO)은 고장 식별을 위한 최적의 PMU 위치 선정에서 어떻게 비교되는가?

주요 결과

• 118버스 시스템에서 단지 14대의 PMU를 사용할 경우, 게으른 히우리스틱은 confidence ≥0.9 조건에서 99.3%의 정확도로 고장을 올바르게 식별할 수 있었다.
• 57버스 시스템에서는 15개의 PMU 위치만으로도 confidence ≥0.9 조건에서 98.3%의 식별 정확도를 달성했으며, 이는 그룹 LASSO를 초월해 5% 이상 뛰어난 성능이었다.
• 오직 6개의 PMU 위치만으로도 고장 이벤트의 90%를 높은 신뢰도(≥0.9)로 식별할 수 있었으며, 이는 최소한의 장비로도 뛰어난 성능을 보임을 시사한다.
• 모든 테스트 시스템에서 게으른 히우리스틱이 그룹 LASSO 히우리스틱보다 PMU 선택 품질과 분류 정확도 면에서 일관되게 뛰어났다.
• 약 25%의 버스에 PMU를 설치한 경우, 성능은 전체 시스템 장착과 거의 구분되지 않으며 대부분의 경우 탐지 정확도가 99%를 초과했다.
• 14버스 시스템에서는 게으른 히우리스틱을 사용해 τ=5×10⁻³일 때 단지 3대의 PMU로도 100%의 고장 식별 정확도를 달성했다.