[论文解读] Anticipating contingengies in power grids using fast neural net screening

Benjamin Donnot, Isabelle Guyon+3 more|arXiv (Cornell University)|May 3, 2018

Power System Optimization and Stability参考文献 19被引用 9

一句话总结

本文提出一种快速神经网络筛选方法，用于按严重程度对电力系统暂态进行排序，特别是针对N-1和N-2线路停运情况，实现优先级模拟。该模型仅在少量N-1暂态数据上进行训练，仅需3–4次模拟即可实现接近最优的风险降低效果，与当前的N-1标准相比，计算成本降低超过50倍，同时通过优先处理危险情况，保持了高水平的安全性。

ABSTRACT

We address the problem of maintaining high voltage power transmission networks in security at all time. This requires that power flowing through all lines remain below a certain nominal thermal limit above which lines might melt, break or cause other damages. Current practices include enforcing the deterministic "N-1" reliability criterion, namely anticipating exceeding of thermal limit for any eventual single line disconnection (whatever its cause may be) by running a slow, but accurate, physical grid simulator. New conceptual frameworks are calling for a probabilistic risk based security criterion and are in need of new methods to assess the risk. To tackle this difficult assessment, we address in this paper the problem of rapidly ranking higher order contingencies including all pairs of line disconnections, to better prioritize simulations. We present a novel method based on neural networks, which ranks "N-1" and "N-2" contingencies in decreasing order of presumed severity. We demonstrate on a classical benchmark problem that the residual risk of contingencies decreases dramatically compared to considering solely all "N-1" cases, at no additional computational cost. We evaluate that our method scales up to power grids of the size of the French high voltage power grid (over 1000 power lines).

研究动机与目标

• 为解决电力系统安全评估中的计算瓶颈问题，快速识别最严重的暂态情况。
• 通过使用快速代理模型优先处理高风险事件，减少对缓慢且耗时的全面模拟的依赖。
• 通过高效评估高阶暂态情况（如N-2）来超越确定性的N-1标准，提升风险评估能力。
• 在确保高危险暂态识别率的同时最小化误报，与安全关键型运行优先事项保持一致。
• 在真实世界电力系统基准测试中，包括法国超高压电网，展示该方法的可扩展性与鲁棒性。

提出的方法

• 训练前馈神经网络以近似物理潮流模拟器的输出，预测在各种暂态下线路的热极限。
• 利用训练好的网络根据线路接近热极限的程度对每种暂态进行打分，作为严重程度的代理指标。
• 按预测严重程度从高到低对所有暂态进行排序，以优先安排耗时但精确的模拟器运行。
• 将该方法应用于单线断开（N-1）和双线断开（N-2）场景，即使仅在N-1数据上进行训练也能适用。
• 使用基尼系数和残余风险指标评估排序性能，计算成本以所需模拟次数衡量。
• 利用模型的可迁移性：模型能泛化到未见的暂态情况，并在训练与测试数据分布发生变化时仍保持性能。

实验结果

研究问题

• RQ1 快速神经网络代理能否有效按严重程度对电力系统暂态进行排序，并优于标准的N-1标准？
• RQ2 仅在N-1暂态数据上训练的模型，在多大程度上能泛化以识别危险的N-2暂态？
• RQ3 该方法如何在最小化全量模拟次数的同时降低残余风险？
• RQ4 在安全关键场景下，识别率与误报率之间的权衡如何？该方法是否倾向于高识别率？
• RQ5 该方法能否扩展至大型电力系统，如法国超高压电网？

主要发现

• 该神经网络方法在平均仅3次模拟的情况下，实现了0.44的残余风险（R*），优于当前系统运营商策略，并接近最优基准。
• 与N-1策略相比，该方法将计算成本降低了50倍以上，仅消耗2%的模拟预算。
• 即使仅在所有可能N-1暂态的0.5%数据上进行训练，该模型在风险降低方面仍优于标准N-1准则。
• 该模型优先处理危险的N-1暂态，随后对最严重的N-2情况排序，展现出优异的识别率和风险规避行为。
• 该方法对分布偏移具有鲁棒性：在测试新、未见的暂态时性能反而提升，如图3所示。
• 该方法可扩展至大型系统，对法国超高压电网的估计加速超过2,000倍。