[论文解读] Deep Learning Architecture for Voltage Stability Evaluation in Smart Grid based on Variational Autoencoders

Haosen Yang, Robert C. Qiu+2 more|arXiv (Cornell University)|Aug 17, 2018

Power System Optimization and Stability参考文献 5被引用 3

一句话总结

本文提出一种基于变分自编码器（VAE）的深度学习框架，通过从电压数据中学习低维表示，以估计智能电网中的电压稳定裕度（VSM）。该方法仅需极少的输入数据即可实现高精度的VSM估计，在IEEE测试系统中优于稀疏堆叠自编码器（SSAE）和对抗自编码器（AAE）。

ABSTRACT

Deep learning, as one of the most popular rising technology, is being applied in power industry widely and gradually. This study explored a novel application of deep learning in voltage stability assessment based on variational autoencoder (VAE). VAE is a novel application of variational inference which have clear mathematical formula, it regularize latent variables in a expected stochastic distribution. VAE have distinctive ability to obtain near P-V curve by mere voltage data. An indicator based on VAE is proposed. For comparison and testing, multiple data-driven indicators based on sparse stacked autoencoder (SSAE) and adversarial autoencoder (AAE) are proposed. All of them extract important low-dimension expression of whole sampling data, showing the distinctive advantages of unsupervised learning [1]. A deep neural network based on proposed index is constructed to estimate voltage stability margin (VSM). Our methods are tested in IEEE-14, IEEE-57 and IEEE-118 bus standard system, and compared mutually. Other experimental cases show the effect of our approach in power grids state awareness, and the effects by limited field data. These testing case illustrate the accuracy and effectiveness of our approach.

研究动机与目标

• 开发一种基于数据驱动的电力系统电压稳定裕度（VSM）估计方法。
• 利用变分自编码器（VAE）进行无监督表征学习，从电压测量数据中提取有意义的低维特征。
• 比较VAE与替代自编码器架构（SSAE和AAE）在电压稳定评估中的性能表现。
• 在真实电力系统场景下，评估该方法在有限现场数据条件下的鲁棒性。
• 展示所提出的基于VAE的指标在电力系统状态感知与稳定监控中的有效性。

提出的方法

• 采用变分自编码器（VAE）学习电压数据的概率性低维潜在表示，并将潜在变量正则化至标准正态分布。
• 设计一种新型基于VAE的指标，通过建模电压测量数据的潜在分布，捕捉系统的电压稳定特性。
• 利用学习到的VAE特征构建深度神经网络（DNN），将电压稳定裕度（VSM）预测作为回归任务。
• 在相同数据集和评估协议下，将基于VAE的方法与稀疏堆叠自编码器（SSAE）和对抗自编码器（AAE）进行比较。
• 在IEEE-14、IEEE-57和IEEE-118母线系统上训练并验证模型，以评估其泛化能力和鲁棒性。
• 通过自编码器进行无监督预训练，以提取显著特征，随后通过有监督的VSM预测进行微调。

实验结果

研究问题

• RQ1 变分自编码器能否有效学习电压数据的紧凑且有意义的表示，以用于电压稳定评估？
• RQ2 在VSM估计方面，基于VAE的指标与SSAE和AAE相比，在准确性和鲁棒性上表现如何？
• RQ3 在数据有限或稀疏的现场条件下，该方法在多大程度上能保持性能？
• RQ4 通过VAE进行无监督特征学习，是否能提升不同电力系统配置下VSM预测的泛化能力？
• RQ5 基于VAE的指标能否作为实时电压稳定监测与状态感知的可靠工具？

主要发现

• 基于VAE的方法成功学习到电压数据的低维潜在表示，其行为与P-V曲线高度近似。
• 所提出的基于VAE的指标在所有测试的IEEE系统中，均优于SSAE和AAE在VSM估计中的表现。
• 基于VAE特征训练的深度神经网络在VSM预测中实现了高精度，证明了无监督预训练的有效性。
• 即使在数据有限的情况下，该方法仍表现出强鲁棒性，表明其适用于现场数据稀疏的实际部署场景。
• 在IEEE-14、IEEE-57和IEEE-118母线系统上的实验结果证实了该方法在电压稳定评估中的泛化能力与可靠性。