[論文レビュー] The Powerful Use of AI in the Energy Sector: Intelligent Forecasting

Erik Blasch, Haoran Li+2 more|arXiv (Cornell University)|Nov 3, 2021

Energy Load and Power Forecasting参考文献 47被引用数 10

ひとこと要約

本論文は、PMUからの同期位相計測データを用いて次元削減を実施し、イベント予測の正確性を向上させる、知的予測を目的とした物理則統合型AIフレームワークを提案する。物理的原則とアンサンブル機械学習を統合することで、高い信頼性、信憑性、性能を達成し、電力系統のイベント予測において、最先端の手法よりも優れた正確性と効率性を示している。

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.

研究の動機と目的

• 重要なインfra構造物における信頼性、説明可能性、責任性を確保する信頼できるAIフレームワークの開発を目的とする。
• 物理的原則をAI駆動の予測モデルに組み込むことで、連鎖的障害や停電のリスクを低減することを目的とする。
• 物理的知見を用いて高次元測定データの次元削減を実施しつつ、予測に不可欠なパターンを保持することを目的とする。
• 複数のモデルのアンサンブル学習により、予測の信頼性を向上させることを目的とする。
• 実運用における導入を想定し、モデルの信頼性を保証するための堅牢な評価指標の構築を目的とする。

提案手法

• 電力系統のリアルタイムなダイナミクスを捉えるために、位相計測装置（PMU）からの同期位相計測データを活用する。
• 物理的理解に基づき、高次元測定データから意味のある物理的特徴量を抽出することで、データ次元の削減を実現する。
• 次元削減済みデータ上で訓練された教師あり機械学習モデルを用いて、電力系統のイベントを予測する。
• 複数のAIモデルの予測を統合するモデル統合技術を用い、全体の信頼性と耐障害性を向上させる。
• 信頼性、説明可能性、実運用における制約下での性能を重視した評価プロトコルを設計する。
• AIの学習および推論プロセスに物理的制約を統合し、モデルの挙動が既知の電力系統の物理法則と整合するようにする。

実験結果

リサーチクエスチョン

• RQ1 電力系統の物理的原則をAIモデルに統合することで、予測の信頼性をどのように向上させられるか？
• RQ2 高次元PMUデータの次元削減において、予測に必要な特徴をどのように効果的に保持しつつ最適化できるか？
• RQ3 アンサンブル学習は、電力系統のイベント予測における信頼性と正確性をどのように向上させるか？
• RQ4 AI駆動のエネルギー予測システムにおいて、説明可能性と責任性を保証するための評価指標は何か？
• RQ5 提案手法は、既存の最先端の機械学習手法と比較して、予測の正確性と効率性においてどの程度優れているか？

主な発見

• 物理則に基づく次元削減手法は、標準的な機械学習手法と比較して、情報抽出の効率性が顕著に向上している。
• アンサンブルモデル統合手法により、予測の信頼性が向上し、不確実性が低減されている。
• 提案されたフレームワークは、電力系統のイベント予測において、最先端の機械学習モデルを上回る高い正確性を達成している。
• 包括的な実験により、実運用環境下での効率性、信頼性、耐障害性が確認された。
• 物理的制約の統合により、モデルの説明可能性が向上し、重要なインフラにおける深刻な故障のリスクが低減された。
• 評価フレームワークにより、エネルギー事業者運用における導入に適した測定可能で信頼できる性能指標が提供された。