[论文解读] A Learning-to-Infer Method for Real-Time Power Grid Topology Identification.

Yue Zhao, Jianshu Chen+1 more|arXiv (Cornell University)|Oct 21, 2017

Power System Optimization and Stability被引用 9

一句话总结

本文提出了一种基于变分推断和判别式学习的端到端学习推理方法，用于实时电力系统网络拓扑识别。通过蒙特卡洛潮流仿真生成大规模合成训练数据，该方法训练出高效的分类器，在简单模型和有限数据条件下仍能实现高精度，且在IEEE 30、118和300节点系统上表现出色。

ABSTRACT

Identifying arbitrary topologies of power networks in real time is a computationally hard problem due to the number of hypotheses that grows exponentially with the network size. A new variational inference method is developed for efficient inference of every line status in the network. Optimizing the variational model is transformed to and solved as a discriminative learning problem based on Monte Carlo samples generated with power flow simulations. A major advantage of the developed Learning-to-Infer method is that the labeled data used for training can be generated in an arbitrarily large amount fast and at very little cost. As a result, the power of offline training is fully exploited to learn very complex classifiers for effective real-time topology identification. The proposed methods are evaluated in the IEEE 30, 118 and 300 bus systems. Excellent performance in identifying arbitrary power network topologies in real time is achieved even with relatively simple variational models and a reasonably small amount of data.

研究动机与目标

• 解决由于网络配置数量呈指数级增长而导致的实时电力系统网络拓扑识别计算不可行问题。
• 通过支持大规模合成数据生成，降低对昂贵真实世界测量数据的依赖。
• 开发一种可扩展的推理框架，利用离线训练实现实时、高精度的网络拓扑识别。
• 在不同规模的网络中（包括IEEE 30、118和300节点系统）评估该方法的鲁棒性和准确性。

提出的方法

• 构建变分推断模型，用于估计电力网络中每条输电线路的状态。
• 通过潮流仿真生成的蒙特卡洛样本，将变分模型的优化问题转化为判别式学习问题。
• 通过基于仿真的采样方法，快速且低成本地生成带标签的训练数据，实现大规模数据合成。
• 利用此类合成数据在离线阶段训练复杂分类器，以支持高效的实时推理。
• 该方法结合概率建模与判别式学习，实现精度与计算效率的平衡。
• 最终推理系统通过在新测量数据上应用预训练分类器，实现实时运行。

实验结果

研究问题

• RQ1 可扩展的学习方法是否能在大型电力系统中实现高精度的实时拓扑识别？
• RQ2 基于潮流仿真的合成数据生成在训练鲁棒拓扑分类器方面效果如何？
• RQ3 在仅使用有限但大规模的合成数据的情况下，简单变分模型能在多大程度上实现高性能？
• RQ4 该方法在不同网络规模和拓扑结构下的表现如何？

主要发现

• 尽管采用相对简单的变分模型，该方法在IEEE 30、118和300节点系统上仍实现了出色的实时拓扑识别性能。
• 由于合成数据生成的有效性，即使使用相对较少的训练数据，也能实现高精度。
• 利用蒙特卡洛采样的合成数据，可实现大规模、低成本的训练数据生成。
• 判别式学习方法能有效将离线训练的知识迁移至实时推理过程。
• 该方法在不同网络规模和拓扑结构之间表现出强大的泛化能力。