[논문 리뷰] Real-time Faulted Line Localization and PMU Placement in Power Systems through Convolutional Neural Networks

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

Power Systems Fault Detection참고 문헌 35인용 수 4

한 줄 요약

이 논문은 치환 이론에서 유도된 물리적으로 해석 가능한 전압 특징을 사용하여 실시간으로 고장 발생한 줄선을 특정하는 컨볼루션 신경망(CNN) 기반 방법을 제안한다. 이 방법은 7%의 버스 관측 가능성 조건에서도 높은 정확도를 달성하며, 다른 기계학습 방법보다 뛰어나며, 공동 PMU 배치 전략이 제한된 측정치 조건에서 성능을 더욱 향상시킨다.

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 faulted line 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 improve the robustness of the location performance. 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 joint 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 39-bus and 68-bus power systems under varying uncertain conditions, system observability, and measurement quality.

연구 동기 및 목표

• 제한된 PMU 측정치를 가진 대규모 송전망에서 실시간으로 고장 발생 줄선을 특정하는 문제를 해결하기 위해.
• 측정 노이즈, 시간 지연, 부하 변동 및 다양한 고장 유형에 대한 강건성을 향상시키기 위해.
• 모델의 일반화 능력과 설명 가능성을 향상시키기 위해 물리적으로 해석 가능한 특징 집합을 개발하기 위해.
• 고장 발생 줄선 특정 정확도를 동시에 향상시키는 최적의 PMU 위치 배치 전략을 설계하기 위해.
• IEEE 39-bus 및 68-bus 시스템에서 다양한 고장 조건과 낮은 관측 가능성 조건 하에서 방법을 검증하기 위해.

제안 방법

• 치환 이론에 기반하여 버스 전압 측정치를 사용해 물리적 해석 가능성을 갖춘 특징 벡터를 구성한다.
• 이 특징에 기반하여 1D-CNN 분류기가 고장 발생 선로를 후보 선로 중에서 식별하도록 훈련된다.
• 특징 벡터는 명확한 물리적 의미를 지닌 일시적 전압 변동을 캡처하여 고주파 수신에 의존하는 것을 줄인다.
• 예산 및 관측 가능성 제약 조건 하에서 고장 발생 줄선 특정 정확도를 최대화하는 공동 PMU 위치 배치 알고리즘을 수립한다.
• 노이즈, 지연, 부하 조건의 다양함이 반영된 합성 고장 데이터를 기반으로 CNN을 훈련시켜 강건성을 확보한다.
• 성능 평가에는 선로 정확도율(LAR)을 사용하며, 저관측 가능성(7–30%의 버스 측정) 조건 하에서 기준 방법과 비교한다.

실험 결과

연구 질문

• RQ1 데이터 기반의 CNN 모델이 최소한의 PMU 측정치로도 높은 고장 발생 줄선 특정 정확도를 달성할 수 있는가?
• RQ2 물리적으로 해석 가능한 특징의 사용이 노이즈, 지연 및 부하 변동에 대한 강건성을 어떻게 향상시키는가?
• RQ3 일반적인 랜덤 또는 토폴로지 기반 전략과 비교해 볼 때 공동 PMU 위치 배치 전략이 특정 성능 향상에 얼마나 기여하는가?
• RQ4 시간 지연이 현실적으로 존재하는 조건에서, 낮은 시스템 관측 가능성(예: 7%) 조건에서 성능은 어떻게 되는가?
• RQ5 다양한 고장 유형과 차단 시간에 걸쳐도 모델이 높은 정확도를 유지할 수 있는가?

주요 결과

• 제안된 CNN 기반 방법은 7%의 버스 관측 가능성 조건에서도 95% 이상의 선로 정확도율(LAR)을 달성하며, 다른 기계학습 분류기보다 뚜렷이 뛰어나다.
• 30%의 버스 관측 가능성 조건에서, TP, LG, DLG, LL 유형의 모든 고장에 대해 LAR가 98% 이상 유지된다.
• 최대 40ms의 측정 지연으로도 LAR에 5% 이내의 저하가 발생하며, 지연이 20ms일 경우 오직 1%의 오차만 발생하여 강건성을 입증한다.
• 0.05초에서 0.2초 사이의 고장 차단 시간 조건에서도 LAR 저하가 2% 이내로 유지되어, 다양한 차단 지속 시간에 대한 내성성을 보여준다.
• 공동 PMU 위치 배치 전략은 랜덤 및 토폴로지 기반 전략보다 뛰어난 성능을 보이며, 특히 낮은 관측 가능성 조건에서 두드러진다.
• 오분류된 선로들은 대부분 실제 고장 발생 선로와 지리적으로 가까운 위치에 있어, 예측의 공간 일관성을 시사한다.