[논문 리뷰] Using Neural Networks to Detect Line Outages from PMU Data

Ching-pei Lee, Stephen J. Wright|arXiv (Cornell University)|2017. 10. 16.

Power System Optimization and Stability참고 문헌 14인용 수 6

한 줄 요약

이 논문은 일부 버스에서의 PMU 데이터를 사용하여 전력망의 단일 및 이중 라인 정전을 신경망 기반 방법으로 감지하는 것을 제안한다. 다양한 조건 하에서 정전에 대한 AC 전력 흐름 반응을 시뮬레이션함으로써, 모델은 실시간 계산 비용을 최소화하면서 거의 완벽한 정확도를 달성하는 분류기를 훈련시킨다. 이는 희박한 PMU 배치 조건에서도 선형 방법보다 뚜렷하게 뛰어난 성능을 보인다.

ABSTRACT

We propose an approach based on neural networks and the AC power flow equations to identify single- and double-line outages in a power grid using the information from phasor measurement unit sensors (PMUs) placed on only a subset of the buses. Rather than inferring the outage from the sensor data by inverting the physical model, our approach uses the AC model to simulate sensor responses to all outages of interest under multiple demand and seasonal conditions, and uses the resulting data to train a neural network classifier to recognize and discriminate between different outage events directly from sensor data. After training, real-time deployment of the classifier requires just a few matrix-vector products and simple vector operations. These operations can be executed much more rapidly than inversion of a model based on AC power flow, which consists of nonlinear equations and possibly integer / binary variables representing line outages, as well as the variables representing voltages and power flows. We are motivated to use neural network by its successful application to such areas as computer vision and natural language processing. Neural networks automatically find nonlinear transformations of the raw data that highlight useful features that make the classification task easier. We describe a principled way to choose sensor locations and show that accurate classification of line outages can be achieved from a restricted set of measurements, even over a wide range of demand profiles.

연구 동기 및 목표

• 다양한 부하 및 계절 조건에서 PMU 데이터를 활용하여 전력망의 라인 정전 감지 정확도를 향상시키기.
• PMU 측정치의 복잡한 비선형 패턴을 포착하지 못하는 선형 모델의 한계를 해결하기.
• 최소한의 센서로도 정전 감지 성능을 최대화할 수 있는 최적의 PMU 배치 방법 개발하기.
• 오프라인 훈련 후 경량 추론을 통해 실시간 정전 감지 구현하기.
• 기존 방법이 실패하는 다양한 수요 프로파일에 대해 신경망이 일반화할 수 있음을 입증하기.

제안 방법

• 모든 가능한 단일 및 이중 라인 정전에 대해 다수의 부하 및 계절 시나리오 하에서 고정밀도 AC 전력 흐름 모델을 사용하여 PMU 측정치를 시뮬레이션한다.
• 이 시뮬레이션에서 생성된 합성 훈련 데이터는 각 정전 사건 이후의 전압 및 전류 위상 벡터 변화를 나타낸다.
• 1개 이상의 은닉층을 가진 순환 신경망이 시뮬레이션된 PMU 데이터에서 직접 정전 유형을 분류하도록 훈련된다.
• 모델은 L2 정규화를 적용하고, 분류 성능을 최대화하는 데 최적의 PMU 위치를 선택하기 위한 탐욕적 히우리스틱을 사용한다.
• 훈련 후 추론은 단지 몇 개의 행렬-벡터 연산만으로 이루어지며, 실시간 배포가 가능하다.
• 주성분 분석을 통해 특징 공간의 변환을 시각화하였으며, 신경망 변환 후에 클래스 간 분리가 향상됨을 확인하였다.

실험 결과

연구 질문

• RQ1 신경망은 다양한 부하 조건에서 희박한 PMU 측정치로부터 단일 및 이중 라인 정전을 효과적으로 분류할 수 있는가?
• RQ2 신경망의 성능은 정류형 모델(예: 다중 클래스 로지스틱 회귀)과 비교해 정전 감지에서 어떻게 다를까?
• RQ3 제한된 수의 PMU를 최적으로 배치하면 정전 감지 정확도를 최대화할 수 있는가?
• RQ4 시뮬레이션된 데이터로 훈련된 신경망은 일일 및 계절적 변동을 포함한 실제 수요 변화에 일반화될 수 있는가?
• RQ5 신경망의 비선형 특징 추출 능력은 선형 방법 대비 클래스 간 분리 수준을 향상시키는가?

주요 결과

• 14-bus 시스템에서 모든 버스에 PMU를 설치한 경우, 신경망 분류기는 이중 라인 정전 감지에서 0% 오류율을 기록하였으며, 선형 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 14-bus 시스템에서 단지 3개의 PMU만 설치한 경우, 신경망은 상위 2개 오류율이 0.9%에 불과했고, 선형 모델은 71.7%의 오류율을 기록하였다.
• 30-bus 시스템에서 5개의 전략적으로 배치된 PMU를 사용한 경우, 신경망은 상위 2개 오류율이 5.6%였고, 선형 모델은 84.5%의 오류율을 기록하였다.
• 신경망 모델은 계절적 및 일일 변동을 포함한 광범위한 수요 프로파일 전반에서 뛰어난 강건성을 보였으며, 이는 이전의 데이터 기반 방법이 좁은 범위에 국한된 것과 대비된다.
• 특징 시각화 결과, 신경망이 입력 데이터를 변환함으로써 정전 클래스 간에 더 타이트한 클러스터링과 명확한 분리를 만들어 냈음을 확인하였다.
• 훈련 후 추론 과정에서 단지 몇 개의 행렬-벡터 연산만으로도 실시간 정전 감지가 가능하며, 계산 비용이 극히 낮다.