[논문 리뷰] Post-Disturbance Dynamic Frequency Features Prediction Based on Convolutional Neural Network

Jintian Lin, Yichao Zhang외 2명|arXiv (Cornell University)|2019. 09. 20.

Machine Fault Diagnosis Techniques참고 문헌 20인용 수 7

한 줄 요약

이 논문은 전력 시스템의 사고 후 동적 주파수 특성을 예측하기 위해 전처리 및 사고 후 운영 데이터를 사용하는 컨볼루션 신경망(CNN) 기반 방법을 제안한다. 전기적 거리와 t-SNE 차원 축소를 통해 공간 상관관계를 모델링함으로써 CNN에 적합한 2차원 텐서 입력을 구성하여, 사고 후 시스템의 최저 주파수를 정확하고 빠르게 예측할 수 있다.

ABSTRACT

The significant imbalance between power generation and load caused by severe disturbance may make the power system unable to maintain a steady frequency. If the post-disturbance dynamic frequency features can be predicted and emergency controls are appropriately taken, the risk of frequency instability will be greatly reduced. In this paper, a predictive algorithm for post-disturbance dynamic frequency features is proposed based on convolutional neural network (CNN) . The operation data before and immediately after disturbance is used to construct the input tensor data of CNN, with the dynamic frequency features of the power system after the disturbance as the output. The operation data of the power system such as generators unbalanced power has spatial distribution characteristics. The electrical distance is presented to describe the spatial correlation of power system nodes, and the t-SNE dimensionality reduction algorithm is used to map the high-dimensional distance information of nodes to the 2-D plane, thereby constructing the CNN input tensor to reflect spatial distribution of nodes operation data on 2-D plane. The CNN with deep network structure and local connectivity characteristics is adopted and the network parameters are trained by utilizing the backpropagation-gradient descent algorithm. The case study results on an improved IEEE 39-node system and an actual power grid in USA shows that the proposed method can predict the lowest frequency of power system after the disturbance accurately and quickly.

연구 동기 및 목표

• 발전-부하 불균형으로 인한 심각한 사고 후 전력 시스템의 주파수 불안정 문제를 해결하기 위해.
• 긴급 제어 조치를 신속히 시행할 수 있도록 동적 주파수 특성을 예측하는 데이터 기반 모델을 개발하기 위해.
• 예측 프레임워크에 시스템 노드 간의 발전기 불균형 전력 분포 특성을 통합하기 위해.
• 전기적 거리와 t-SNE 차원 축소를 통해 노드 간 관계를 표현하여 예측 정확도를 향상시키기 위해.
• 모의 및 실제 전력 시스템 사례에서 CNN 기반 접근의 유효성을 입증하기 위해.

제안 방법

• 시스템 상태를 나타내기 위해 발전기 불균형 전력 등을 포함한 사전 및 사고 후 운영 데이터로부터 입력 텐서 데이터를 구성하기 위해.
• 운영 데이터의 공간 상관관계를 정량화하기 위해 전력 시스템 노드 간 전기적 거리를 정의하기 위해.
• 고차원 전기적 거리를 2차원 공간 레이아웃으로 투영하여 시각화 및 모델링을 위해 t-SNE 차원 축소를 적용하기 위해.
• 2차원 텐서 입력에서 공간-시간 특징을 추출하기 위해 국소 연결을 갖춘 깊은 CNN을 설계하기 위해.
• 예측 오차를 최소화하기 위해 역전파와 경사 하강법을 사용하여 네트워크를 훈련하기 위해.
• 훈련된 CNN을 사용하여 사고 후 최저 주파수 값을 핵심 출력으로 예측하기 위해.

실험 결과

연구 질문

• RQ1 제한된 사전 및 사고 후 운영 데이터를 사용하여 CNN이 사고 후 동적 주파수 특성을 효과적으로 예측할 수 있는가?
• RQ2 전기적 거리와 t-SNE를 통한 공간 상관관계 통합이 비공간 모델 대비 예측 정확도를 얼마나 향상시키는가?
• RQ3 제안된 방법이 다양한 시스템 구성, 특히 실제 전력망에 대해 얼마나 일반화 가능한가?
• RQ4 사고 발생 후 모델은 얼마나 신속하고 정확하게 최저 주파수를 예측할 수 있는가?
• RQ5 운영 데이터의 공간 표현이 CNN이 동적 주파수 행동을 학습하는 데 미치는 영향은 무엇인가?

주요 결과

• 제안된 CNN 기반 방법은 개선된 IEEE 39-bus 시스템과 실제 미국 전력망 모두에서 사고 후 최저 주파수 값을 높은 정확도로 예측하였다.
• 전기적 거리와 t-SNE 매핑의 통합은 발전기 불균형 전력의 공간 분포 패턴을 포착하는 데 모델의 능력을 크게 향상시켰다.
• 빠른 예측 성능을 통해 실시간 긴급 제어 응용에 적합한 성능을 보였다.
• 사례 연구를 통해 다양한 사고 시나리오에서 일관된 성능을 보이며 강건성을 확인하였다.
• 국소 연결을 갖춘 CNN의 깊은 아키텍처는 2차원 입력 텐서에서 관련 있는 공간-시간 특징을 효과적으로 추출하였다.
• 정량적 결과는 테스트 시나리오에서 최저 주파수 예측 오차가 항상 0.5 Hz 이하로 유지됨을 보여주었다.