[논문 리뷰] Revealing drivers and risks for power grid frequency stability with explainable AI

Johannes Kruse, Benjamin Schäfer외 1명|arXiv (Cornell University)|2021. 06. 07.

Energy Load and Power Forecasting참고 문헌 70인용 수 65

한 줄 요약

이 논문은 유럽의 세 개의 전력망에서 주파수 안정성 지표인 RoCoF, Nadir, MSD 및 Integral을 예측하고 해석하기 위해 기울기 부스팅 트리와 SHAP 값이 결합된 설명 가능한 인공지능(XAI) 프레임워크를 제안한다. 주로 하중 변화, 발전량 변화, 예측 오차가 불안정성의 주요 원인임을 규명하였으며, 일일 평균 기반 모델 대비 예측 성능이 3.2배에서 14.7배 뛰어나며, SHAP 분석을 통해 각 전력망에 맞는 위험 요인과 전역적 상호의존성을 규명하였다.

ABSTRACT

Stable operation of the electrical power system requires the power grid frequency to stay within strict operational limits. With millions of consumers and thousands of generators connected to a power grid, detailed human-build models can no longer capture the full dynamics of this complex system. Modern machine learning algorithms provide a powerful alternative for system modelling and prediction, but the intrinsic black-box character of many models impedes scientific insights and poses severe security risks. Here, we show how eXplainable AI (XAI) alleviates these problems by revealing critical dependencies and influences on the power grid frequency. We accurately predict frequency stability indicators (such as RoCoF and Nadir) for three major European synchronous areas and identify key features that determine the power grid stability. Load ramps, specific generation ramps but also prices and forecast errors are central to understand and stabilize the power grid.

연구 동기 및 목표

• 재생 가능 에너지 비중 증가와 복잡한 시스템 역학이 증가하는 상황에서 전력망 주파수 안정성을 이해하고 예측하는 데 도전하는 것.
• 핵심 인프라 분야에서 기존 머신러닝 모델의 투명성 부족 문제를 해결하기 위해 설명 가능한 인공지능(XAI) 기법을 적용하는 것.
• 주파수 편차를 유도하는 가장 영향력 있는 외부 특성들—예: 하중 및 발전량 변화, 전기 가격, 예측 오차—를 규명하고 정량화하는 것.
• 모델의 설명 가능성과 실제 운영 위험 및 제어 전략을 연결하여 전송시스템운영자(Transmission System Operators)에게 실질적인 통찰을 제공하는 것.
• 표준 예측에서 포착되지 않는 숨겨진 상관관계와 새로운 위험 요소를 드러내는 데이터 기반 모델을 물리 기반 시뮬레이션과 보완하는 것.

제안 방법

• 시간대별 외부 특성들을 사용하여 기울기 부스팅 트리 모델을 활용해 RoCoF, Nadir, MSD 및 Integral과 같은 네 가지 주파수 안정성 지표를 예측한다.
• SHapley Additive exPlanations(SHAP)를 적용하여 모델 예측을 해석하고, 특성 기여도의 국소적 및 전역적 해석 가능성을 확보한다.
• 모델 입력으로 일일 전망 특성(예: 일일 전망 하중 변화)과 후행 오차 특성(예: 발전량 변화 예측 오차)을 모두 통합한다.
• 고해상도 주파수 데이터를 시간대별 지표로 집계하여 운영 시간 척도와 일치시키고, 모델 일반화 능력을 향상시킨다.
• 모델 성능을 평가하기 위해 시스템 특화 null 모델인 주파수 안정성 지표의 일일 평균 프로파일을 기준으로 삼는다.
• SHAP 값 기반 종속성 플롯과 상호작용 분석을 통해 세 개의 동기 전력구역(유럽 대륙, 노르딕, 영국)에서 특성 영향과 비선형 관계를 시각화한다.

실험 결과

연구 질문

• RQ1 유럽 전력망에서 RoCoF, Nadir, MSD 및 Integral과 같은 주파수 안정성 지표에 가장 강하게 영향을 미치는 외부 특성들은 무엇인가?
• RQ2 하중 및 발전량 변화의 예측 오차는 주파수 안정성에 어떤 영향을 미치며, 이러한 영향은 동기 전력구역 간에 어떻게 다를까?
• RQ3 설명 가능한 인공지능 모델은 단순 기준 모델(예: 일일 평균 프로파일)에 비해 주파수 안정성 예측에서 어느 정도 뛰어난 성능을 보일 수 있는가?
• RQ4 전기 시장 신호(예: 가격)와 주파수 역학 간의 비선형적이고 상호작용적인 관계는 무엇인가?
• RQ5 지역별 전력망 운영 방식과 재생 에너지 통합 수준의 차이가 주파수 불안정성의 주요 원인을 어떻게 형성하는가?

주요 결과

• XAI 모델은 주파수 안정성 지표 예측에서 일일 평균 기반 모델 대비 Continential Europe에서 3.2배, Nordic에서 6.9배, Great Britain에서 14.7배 뛰어난 성능을 보였다.
• 하중 변화는 항상 가장 영향력 있는 특성 중 하나였으며, 음수 SHAP 기여도는 더 큰 변화가 더 낮은(Nadir 값이 더 나쁜) 결과를 초래함을 시사한다.
• 하중 및 발전량 변화의 예측 오차는 불안정성의 핵심 원인이며, 이 영향은 동기 전력구역 간에 크게 다름을 확인하였다.
• 전기 가격 변화와 일일 전망 가격 신호 역시 주파수 안정성에 강력하고 비트레이드오프적인 영향을 미치며, 특히 영국 전력망에서 두드러진다.
• SHAP 상호작용 플롯을 통해 하중 변화와 예측 오차의 조합 효과가 개별 기여도보다 더 두드러지며, 이는 비선형적 시스템 행동을 시사한다.
• 동기 발전 수준은 안정성 지표와 복잡하고 단조로우지 않은 관계를 보이며, 특히 영국 전력망에서는 특정 조건에서 고수준 발전이 불안정성 증가와 연관됨을 확인하였다.