[논문 리뷰] Real-time Fault Localization in Power Grids With Convolutional Neural Networks.

Wenting Li, Deepjyoti Deka외 2명|arXiv (Cornell University)|2018. 10. 11.

Power Systems Fault Detection참고 문헌 22인용 수 4

한 줄 요약

이 논문은 전력망에서 물리적으로 해석 가능한 버스 전압 특징을 활용하는 컨volutional 신경망(CNN)을 사용하여 데이터 기반 장애 진단 방법을 제안한다. 관측 가능성은 낮은 편(7%)이지만, CNN은 작은 이웃 지역 내에서 높은 정확도로 장애 위치를 특정하며, 기존의 머신러닝 방법들을 능가하고 복잡한 장애 조건 하에서도 실시간 운영이 가능하다.

ABSTRACT

Diverse fault types, fast re-closures and complicated transient states after a fault event make real-time fault location in power grids challenging. Existing localization techniques in this area rely on simplistic assumptions, such as static loads, or require much higher sampling rates or total measurement availability. This paper proposes a data-driven localization method based on a Convolutional Neural Network (CNN) classifier using bus voltages. Unlike prior data-driven methods, the proposed classifier is based on features with physical interpretations that are described in details. The accuracy of our CNN based localization tool is demonstrably superior to other machine learning classifiers in the literature. To further improve the location performance, a novel phasor measurement units (PMU) placement strategy is proposed and validated against other methods. A significant aspect of our methodology is that under very low observability (7% of buses), the algorithm is still able to localize the faulted line to a small neighborhood with high probability. The performance of our scheme is validated through simulations of faults of various types in the IEEE 68-bus power system under varying load conditions, system observability and measurement quality.

연구 동기 및 목표

• 복잡한 장애 역학과 낮은 측정 가능성을 가진 전력망에서 실시간 장애 진단의 과제를 해결한다.
• 정적 부하 가정에 의존하거나 높은 샘플링 레이트 및 완전한 관측 가능성이 필요한 기존 방법의 한계를 극복한다.
• 물리적으로 해석 가능한 특징을 활용한 데이터 기반 접근법을 개발하여 모델의 투명성과 성능을 향상시킨다.
• 장애 위치 정확도 향상과 시스템 관측 가능성 향상을 위해 새로운 PMU 위치 전략을 제안한다.
• 다양한 부하 조건, 측정 품질, 시스템 관측 가능성 수준에서 견고한 장애 진단 성능을 입증한다.

제안 방법

• 이 방법은 버스 전압 측정치를 기반으로 훈련된 컨volutional 신경망(CNN) 분류기를 사용하여 실시간으로 장애를 탐지하고 위치를 특정한다.
• CNN에 사용된 특징은 전력 시스템 장애 분석에서 물리적으로 해석 가능한 전압 크기와 위상 값에서 유도된다.
• 제한된 측정 가능성을 고려하여 장애 위치 정확도를 극대화하는 새로운 PMU 위치 전략이 도입되었다.
• 다양한 장애 유형, 부하 조건, 측정 품질 수준에서 IEEE 68버스 시스템에 대한 광범위한 시뮬레이션을 통해 방법이 검증되었다.
• 실제 구현 조건을 반영하기 위해 낮은 관측 가능성(버스의 7%) 조건에서 CNN 모델을 훈련하고 테스트하였다.
• 장애의 일시적 동역학을 포착하기 위해 전압 신호의 시간적 패턴을 활용하여 실시간 위치 특정 기능을 실현하였다.

실험 결과

연구 질문

• RQ1 물리적으로 해석 가능한 전압 특징을 사용하는 CNN 기반 분류기가 기존 머신러닝 방법보다 전력망에서 더 높은 장애 위치 정확도를 달성할 수 있는가?
• RQ2 제안된 방법은 관측 가능성 저하(예: 버스의 7%에 PMU 장착)와 다양한 측정 품질 조건 하에서도 어떻게 성능을 발휘하는가?
• RQ3 제안된 PMU 위치 전략은 기존의 또는 무작위 위치 전략에 비해 장애 위치 정확도 향상에 얼마나 기여하는가?
• RQ4 정적 부하 가정에 의존하지 않고 다양한 장애 유형과 부하 조건에서 정확한 장애 위치 특정가 가능한가?
• RQ5 일시적 장애 역학 하에서 CNN 기반 위치 특정 프레임워크의 실시간 실행 가능성과 견고성은 어떠한가?

주요 결과

• 제안된 CNN 기반 장애 진단 방법은 문헌에 보고된 다른 머신러닝 분류기들보다 유의미하게 높은 정확도를 달성한다.
• 버스의 7%만 PMU가 장착되어 있어도, 장애 선로를 높은 확률로 작은 이웃 지역 내로 특정할 수 있다.
• 물리적으로 해석 가능한 특징의 사용은 모델의 투명성을 향상시키고 다양한 시스템 조건에서의 일반화 성능을 향상시킨다.
• 새로운 PMU 위치 전략은 장애 위치 정확도 및 관측 가능성 효율성 측면에서 기존 방법들을 능가한다.
• IEEE 68버스 시스템 시뮬레이션에서 다양한 장애 유형과 부하 조건 하에서도 견고한 성능을 보였다.
• 복잡한 일시적 상태와 낮은 샘플링 레이트 조건에서도 실시간 기능을 유지하여 실질적 구현에 적합하다.