[논문 리뷰] The Concept of the Deep Learning-Based System "Artificial Dispatcher" to Power System Control and Dispatch

Nikita Tomin, Victor Kurbatsky외 1명|arXiv (Cornell University)|2018. 05. 07.

Industrial Engineering and Technologies참고 문헌 5인용 수 3

한 줄 요약

이 논문은 인공지능 기반의 스마트 시스템인 '인공 디스패처(Artificial Dispatcher)'를 제안한다. 이 시스템은 인간 디스패처의 전문 지식과 자동 제어의 속도를 융합하여 전력 시스템의 안정성과 비상 대응 능력을 향상시킨다. 심층 신경망(DNNs)과 합성곱 신경망(CNNs)을 활용하여 실시간으로 전압 안정성을 평가하고 최적의 무공 전력 제어를 수행함으로써, 오류율과 계산 시간을 분 단위에서 초 단위로 단축시키며 데이터 손상 상황에서도 정확도를 향상시킨다.

ABSTRACT

Year by year control of normal and emergency conditions of up-to-date power systems becomes an increasingly complicated problem. With the increasing complexity the existing control system of power system conditions which includes operative actions of the dispatcher and work of special automatic devices proves to be insufficiently effective more and more frequently, which raises risks of dangerous and emergency conditions in power systems. The paper is aimed at compensating for the shortcomings of man (a cognitive barrier, exposure to stresses and so on) and automatic devices by combining their strong points, i.e. the dispatcher's intelligence and the speed of automatic devices by virtue of development of the intelligent system "Artificial dispatcher" on the basis of deep machine learning technology. For realization of the system "Artificial dispatcher" in addition to deep learning it is planned to attract the game theory approaches to formalize work of the up-to-date power system as a game problem. The "gain" for "Artificial dispatcher" will consist in bringing in a power system in the normal steady-state or post-emergency conditions by means of the required control actions.

연구 동기 및 목표

• 증가하는 외란과 기존 디스패치 및 비상 제어 시스템의 제한된 효과성으로 인해 현대 전력 시스템의 복잡성과 불안정성이 증가하고 있는 데 대응한다.
• 시간 압박과 불확실성 속에서 인간의 인지적 한계와 스트레스로 인한 실수를 극복한다.
• 기존의 SCADA/EMS/DMS 인fra구조와의 통합을 통해 전력 시스템의 신뢰성과 생존 능력을 향상시킨다.
• 정상 및 비상 상황에서 인간 운영자에 대한 의존도를 줄이기 위해 실시간으로 디스패처 행동을 자율적으로 시뮬레이션할 수 있는 시스템을 개발한다.
• 대규모 데이터를 처리하고 최적의 제어 조치를 신속하게 식별할 수 있는 기계학습 모델을 통해 전력 시스템 제어의 효율성과 속도를 향상시킨다.

제안 방법

• 심층 신경망(DNNs)과 합성곱 신경망(CNNs)을 활용하여 전력 시스템의 거동을 모델링하고 예측하며, 특히 전압 안정성에 중점을 둔다.
• 실시간으로 학습하는 알고리즘과 온라인 결정 트리를 도입하여 실시간으로 SCADA 데이터를 활용해 L-지수(전압 안정성 지표)를 동적으로 평가한다.
• 과거 및 시뮬레이션된 전력 시스템 데이터를 기반으로 학습하여 정상 및 비상 상황에서 최적의 무공 전력 주입 전략을 습득한다.
• 기존의 SCADA/EMS/DMS 플랫폼에 '인공 디스패처'를 보조 모듈로 통합하여 데이터 수집, 분석 및 제어 기능을 효율적으로 활용한다.
• 게임 이론 원리를 적용하여 시스템 제어를 전략적 의사결정 문제로 정식화하며, 목표는 시스템 안정성을 복원하거나 유지하는 것이다.
• 유연한 가중치 통합과 볼츠만 기반 학습 기법을 활용하여 다양한 시스템 상태 간의 지속적 학습과 기억 유지 능력을 확보한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 고압박, 시간 제약 조건 하에서 인간 디스패처의 의사결정을 실시간으로 효과적으로 시뮬레이션할 수 있는가?
• RQ2 데이터 손상 상황에서 전통적인 알고리즘 방법과 비교해 딥러닝 기반 시스템의 전압 안정성 지수 계산 성능은 어떻게 되는가?
• RQ3 DNN/CNN 기반 시스템은 최적의 제어 조치를 위한 계산 시간을 얼마나 단축시킬 수 있으며, 정확도는 유지 또는 향상시킬 수 있는가?
• RQ4 이 시스템은 복잡한 전력 시스템에서 전압 붕괴를 방지하기 위해 교정 제어 조치(예: 무공 전력 주입)를 신뢰성 있게 식별하고 적용할 수 있는가?
• RQ5 이 시스템은 기존의 SCADA/EMS/DMS 플랫폼과 얼마나 효과적으로 통합되어 기존 제어 인fra구조를 대체하지 않고도 향상시킬 수 있는가?

주요 결과

• 딥러닝 모델은 손상된 IEEE 118-bus 시스템 데이터를 대상으로 테스트한 결과, L-지수 추정의 평균 제곱근 오차를 약 13%로 감소시켜 기존 방법을 능가했다.
• 기존 방법을 사용할 경우 최적의 무공 전력 주입을 결정하는 데 30~40분이 소요되었으나, 기계학습 접근법을 사용할 경우 단 몇 밀리초(센티초) 내로 단축되었다.
• 시스템은 '나쁜 데이터'와 누락된 측정치에 대해 강건성을 보였으며, 입력 데이터가 손상된 상황에서도 정확한 안정성 평가를 유지했다.
• 모델이 예측한 교정 제어 조치를 적용한 후, 지역 전압 안정성 지수의 합($L_{sum}$)이 크게 감소하여 전압 붕괴 위험 감소를 나타냈다.
• 시스템은 대규모 데이터를 처리하고 분할 초 단위 이내에 최적의 제어 전략을 식별할 수 있었으며, 인간 디스패처의 생리적 한계를 초월했다.
• '인공 디스패처'를 기존의 SCADA/EMS/DMS 시스템에 보조 모듈로 통합함으로써, 기존 운영 워크플로우를 방해하지 않으면서도 실시간, 고속, 정밀한 제어를 가능하게 했다.