[논문 리뷰] Using SHAP Values and Machine Learning to Understand Trends in the Transient Stability Limit

R. I. Hamilton, Panagiotis N. Papadopoulos|arXiv (Cornell University)|2023. 02. 13.

Energy Load and Power Forecasting인용 수 6

한 줄 요약

이 논문은 전력 시스템의 비정상 안정성 평가에 사용되는 블랙박스 기계학습 모델을 해석하기 위해 SHAP 값(Shapley Additive exPlanations)을 활용하는 방법을 제안한다. 이는 임계 정지 시간(Critical Clearing Time, CCT) 예측에 있어 위치 기반의 통찰을 제공하며, 버스 간의 SHAP 값 공분산 분석을 통해 시스템 변수가 안정성 경계에 미치는 영향을 규명함으로써 재생 가능 에너지 비중이 높은 시스템에서의 계획 및 운영 지침을 제공한다.

ABSTRACT

Machine learning (ML) for transient stability assessment has gained traction due to the significant increase in computational requirements as renewables connect to power systems. To achieve a high degree of accuracy; black-box ML models are often required - inhibiting interpretation of predictions and consequently reducing confidence in the use of such methods. This paper proposes the use of SHapley Additive exPlanations (SHAP) - a unifying interpretability framework based on Shapley values from cooperative game theory - to provide insights into ML models that are trained to predict critical clearing time (CCT). We use SHAP to obtain explanations of location-specific ML models trained to predict CCT at each busbar on the network. This can provide unique insights into power system variables influencing the entire stability boundary under increasing system complexity and uncertainty. Subsequently, the covariance between a variable of interest and the corresponding SHAP values from each location-specific ML model - can reveal how a change in that variable impacts the stability boundary throughout the network. Such insights can inform planning and/or operational decisions. The case study provided demonstrates the method using a highly accurate opaque ML algorithm in the IEEE 39-bus test network with Type IV wind generation.

연구 동기 및 목표

• 고정도 기계학습 모델의 해석 불가능성 문제를 해결하기 위해.
• 각 버스바에서 임계 정지 시간(Critical Clearing Time, CCT)에 영향을 주는 시스템 변수를 위치 기반으로 이해할 수 있도록 하기 위해.
• SHAP 값과 시스템 변수 간의 공분산 분석을 통해 안정성 경계 민감도의 네트워크 전역적 경향을 규명하기 위해.
• 시스템 변화가 비정상 안정성에 미치는 영향을 정량화하여 계획 및 운영 의사결정 지원하기 위해.

제안 방법

• IEEE 39버스 시스템에 타입 IV 풍력 발전기를 포함한 고정도, 투명하지 않은 기계학습 모델을 학습하여 각 버스바에서의 임계 정지 시간(Critical Clearing Time, CCT)을 예측한다.
• SHapley Additive exPlanations(SHAP)를 적용하여 각 버스바에서의 개별 예측을 해석하고, 각 입력 변수에 대한 기여도를 기여도 중요도로 할당한다.
• 모든 버스에서 각 시스템 변수에 대한 SHAP 값을 계산하여 CCT 예측에 기여도를 평가한다.
• 모든 버스에서 각 시스템 변수와 그에 대응하는 SHAP 값 간의 공분산을 계산하여 네트워크 전역적 영향 경향을 식별한다.
• 수득한 공분산 패턴을 활용해 특정 변수의 변화가 네트워크 전역에서 비정상 안정성 경계에 어떻게 영향을 주는지 매핑한다.
• 재생 가능 에너지로 인한 시스템 복잡성과 불확실성 증가 상황에서 IEEE 39버스 테스트 시스템을 대상으로 방법을 검증한다.

실험 결과

연구 질문

• RQ1 복잡한 전력 시스템에서 개별 시스템 변수는 각 버스바에서 임계 정지 시간에 어떻게 영향을 미치는가?
• RQ2 특정 시스템 변수의 변화가 안정성 경계에 네트워크 전역적으로 미치는 영향은 어떠한가?
• RQ3 위치 기반 기계학습 모델에서 유도된 SHAP 값은 안정성 경계 민감도의 일관된 경향을 어떻게 드러내는가?
• RQ4 재생 가능 에너지 비중이 높은 시스템에서 SHAP 기반 분석이 운영 및 계획 의사결정에 어느 정도 기여할 수 있는가?
• RQ5 SHAP 기반 해석은 시스템 파rameter와 비정상 안정성 한계 간의 숨겨진 관계를 효과적으로 드러내는가?

주요 결과

• SHAP 값은 각 버스바에서 임계 정지 시간에 가장 크게 영향을 주는 핵심 시스템 변수들—예를 들어 발전기 관성과 풍력 발전 비율—을 성공적으로 규명하였다.
• 시스템 변수와 그 SHAP 값 간의 공분산 분석을 통해 변화가 안정성 경계에 영향을 주는 방식이 일관되게 위치에 따라 달라지는 경향을 확인하였다.
• 이 방법을 통해 풍력 발전의 변동성이 안정성에 비균일한 영향을 미치며, 일부 버스에서는 다른 버스보다 더 높은 민감도를 보임을 밝혀냈다.
• 시스템 복잡성과 불확실성이 증가하는 상황에서도 안정성 경계 행동에 대한 이해하기 쉬운, 실용적인 통찰을 제공하였다.
• SHAP를 활용함으로써 고정도 블랙박스 기계학습 모델의 해석 가능성을 유지하면서도 예측 성능을 손상시키지 않았다.