[論文レビュー] Fast Calculation of Probabilistic Power Flow: A Model-based Deep Learning Approach

Yan Yang, Zhifang Yang+2 more|arXiv (Cornell University)|Jun 14, 2019

Energy Load and Power Forecasting参考文献 29被引用数 9

ひとこと要約

この論文では、電力系統における確率的潮流（PPF）計算を高速化するモデルベースのディープラーニング手法を提案する。物理的潮流方程式をペナルティ項としてディープニューラルネットワーク（DNN）に統合し、簡略化された勾配と改善された初期化を用いることで、IEEEシステムおよび実際の運用システムにおいて、従来のPPF手法に比べて高い精度と高速化を達成した。

ABSTRACT

Probabilistic power flow (PPF) plays a critical role in power system analysis. However, the high computational burden makes it challenging for the practical implementation of PPF. This paper proposes a model-based deep learning approach to overcome the computational challenge. A deep neural network (DNN) is used to approximate the power flow calculation and is trained according to the physical power flow equations to improve its learning ability. The training process consists of several steps: 1) the branch flows are added into the objective function of the DNN as a penalty term, which improves the approximation accuracy of the DNN; 2) the gradients used in the back propagation process are simplified according to the physical characteristics of the transmission grid, which accelerates the training speed while maintaining effective guidance of the physical model; and 3) an improved initialization method for the DNN parameters is proposed to improve the convergence speed. The simulation results demonstrate the accuracy and efficiency of the proposed method in standard IEEE and utility benchmark systems.

研究の動機と目的

• 電力系統運用における確率的潮流（PPF）の高い計算負荷を軽減すること。
• 潮流近似のためのディープラーニングモデルの精度と学習効率を向上させること。
• 物理的潮流方程式をディープラーニングフレームワークに統合し、一般化性能と物理的一致性を向上させること。
• 訓練時間の短縮を図りながら、 branch flow および電源注入の近似精度を維持すること。
• 実用的な電力系統応用に適したリアルタイムまたはニアリアルタイムのPPF計算を可能にすること。

提案手法

• 深層ニューラルネットワーク（DNN）を用いて潮流解を近似するが、枝路潮流方程式に基づくペナルティ項を目的関数に追加する。
• 送電網の物理的特性を活用してバックプロパゲーションに用いる勾配を簡略化し、モデルの指導力を損なわず、学習を高速化する。
• 学習中の収束速度を向上させるために、DNNのパラメータ初期化法を改善した。
• DNNの学習に潮流方程式を制約条件として用いることで、DNNが電力系統の物理的本質を学習するようにする。
• 標準的なIEEEテストシステムおよび実際の運用ベンチマークシステムを用いて、手法の妥当性を検証した。
• DNNを用いて、枝路潮流および母線電圧の統計的分布を含む確率的潮流の結果を予測する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約を用いて学習されたディープラーニングモデルは、確率的潮流計算において高い精度を達成できるか？
• RQ2 損失関数に物理的潮流方程式を組み込むことで、DNNの近似性能にどのような影響を与えるか？
• RQ3 ネットワークトポロジーに基づく勾配の簡略化は、学習速度にどの程度の向上効果をもたらすか？
• RQ4 提案された初期化法は、標準的手法と比較して、学習収束時間を短縮するか？
• RQ5 モデルは異なるシステム構成に一般化できるか？また、不確実性下でも精度を維持できるか？

主な発見

• 提案手法は、従来のモンテカルロベースの手法と比較して、確率的潮流計算において顕著な高速化を達成した。
• DNNの損失関数に物理的制約を統合することで、枝路潮流および母線電圧の近似精度が向上した。
• ネットワークトポロジーに基づく勾配簡略化により、学習時間を短縮しながらもモデル性能を維持した。
• 改善された初期化法により収束が加速し、必要な学習エポック数が減少した。
• 複数のIEEEテストシステムおよび実際の運用ベンチマークシステムにおいて、高い精度を維持した。
• DNNベースの手法により、高速かつ正確で物理的一致性を持つ確率的潮流評価が可能となり、リアルタイム応用に適した。