[논문 리뷰] The Powerful Use of AI in the Energy Sector: Intelligent Forecasting

Erik Blasch, Haoran Li외 2명|arXiv (Cornell University)|2021. 11. 03.

Energy Load and Power Forecasting참고 문헌 47인용 수 10

한 줄 요약

이 논문은 전력 시스템의 실시간 동적 특성을 반영한 물리 기반 AI 프레임워크를 제안하여 에너지 부문에서 지능형 예측을 향상시킨다. PMU(파형 측정 장치)에서 수집한 동기위상 측정 데이터를 활용해 차원 축소를 수행하고, 사고 예측 정확도를 향상시킨다. 물리 법칙을 기반으로 한 앙상블 기계 학습 기법을 통합함으로써 높은 신뢰성, 신뢰성 및 성능을 달성하였으며, 기존 최첨단 기법들에 비해 더 뛰어난 정확도와 효율성을 입증하였다.

ABSTRACT

Artificial Intelligence (AI) techniques continue to broaden across governmental and public sectors, such as power and energy - which serve as critical infrastructures for most societal operations. However, due to the requirements of reliability, accountability, and explainability, it is risky to directly apply AI-based methods to power systems because society cannot afford cascading failures and large-scale blackouts, which easily cost billions of dollars. To meet society requirements, this paper proposes a methodology to develop, deploy, and evaluate AI systems in the energy sector by: (1) understanding the power system measurements with physics, (2) designing AI algorithms to forecast the need, (3) developing robust and accountable AI methods, and (4) creating reliable measures to evaluate the performance of the AI model. The goal is to provide a high level of confidence to energy utility users. For illustration purposes, the paper uses power system event forecasting (PEF) as an example, which carefully analyzes synchrophasor patterns measured by the Phasor Measurement Units (PMUs). Such a physical understanding leads to a data-driven framework that reduces the dimensionality with physics and forecasts the event with high credibility. Specifically, for dimensionality reduction, machine learning arranges physical information from different dimensions, resulting inefficient information extraction. For event forecasting, the supervised learning model fuses the results of different models to increase the confidence. Finally, comprehensive experiments demonstrate the high accuracy, efficiency, and reliability as compared to other state-of-the-art machine learning methods.

연구 동기 및 목표

• 비상 기반 인fra구조에서 신뢰성, 책임성, 설명 가능성을 보장하는 신뢰할 수 있는 AI 프레임워크를 개발하는 것.
• 물리 법칙을 AI 기반 예측 모델에 통합하여 계단식 고장 및 정전의 위험을 완화하는 것.
• 물리적 통찰을 활용해 고차원 데이터의 차원을 축소하면서도 예측에 중요한 패턴을 유지하는 것.
• 다양한 모델의 앙상블 학습을 통해 예측 신뢰도를 향상시키는 것.
• 실제 에너지 유틸리티 운영 환경에 적합한 모델 신뢰성 보장을 위한 강력한 평가 지표 체계 수립

제안 방법

• 실시간 전력 시스템 동적 특성을 캡처하기 위해 파형 측정 장치(PMU)에서 수집한 동기위상 측정 데이터를 활용한다.
• 물리 기반 이해를 적용하여 고차원 측정 데이터에서 의미 있는 물리적 특징을 추출함으로써 데이터의 차원을 축소한다.
• 축소된 차원의 데이터를 기반으로 훈련된 지도 기반 기계 학습 모델을 활용해 전력 시스템 사고를 예측한다.
• 다양한 AI 모델의 예측 결과를 융합하는 기법을 사용하여 총합 예측의 신뢰도와 강건성을 높인다.
• 실제 운영 조건 하에서의 신뢰성, 설명 가능성, 성능을 강조하는 평가 프로토콜을 설계한다.
• 모델 학습 및 추론 프로세스에 물리적 제약 조건을 통합하여 모델 동작이 알려진 전력 시스템 물리 법칙과 일치하도록 보장한다.

실험 결과

연구 질문

• RQ1 전력 시스템의 물리 법칙을 어떻게 AI 모델에 통합하여 예측의 신뢰성을 향상시킬 수 있는가?
• RQ2 예측 특징을 유지하면서 고차원 PMU 데이터의 차원을 최적화해 축소하는 가장 효과적인 방법은 무엇인가?
• RQ3 앙상블 학습 기법이 전력 시스템 사고 예측의 신뢰도와 정확도를 어떻게 향상시키는가?
• RQ4 AI 기반 에너지 예측 시스템에서 책임성과 설명 가능성을 확보하기 위한 평가 지표는 무엇인가?
• RQ5 제안된 방법이 기존 최첨단 기계 학습 기법에 비해 예측 정확도와 효율성 측면에서 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• 물리 기반 차원 축소 기법은 표준 기계 학습 기법에 비해 정보 추출 효율성이 크게 향상된다.
• 앙상블 모델 융합 기법은 사고 예측의 신뢰도를 높이고 불확실성을 감소시킨다.
• 제안된 프레임워크는 전력 시스템 사고 예측에서 기존 최첨단 기계 학습 모델보다 더 높은 정확도를 달성한다.
• 포괄적인 실험을 통해 실무 운영 조건 하에서도 이 방법의 효율성, 신뢰성, 강건성을 확인하였다.
• 물리적 제약 조건의 통합은 모델의 설명 가능성을 향상시키고 비상 기반 인fra구조에서 치명적인 고장의 위험을 감소시킨다.
• 평가 프레임워크는 에너지 유틸리티 운영 환경에 실제 적용 가능한 측정 가능한, 신뢰할 수 있는 성능 지표를 제공한다.