[论文解读] Deep Learning for Power System Security Assessment

José-María Hidalgo-Arteaga, Fiodar Hancharou+2 more|arXiv (Cornell University)|Mar 31, 2019

Power System Optimization and Stability参考文献 19被引用 4

一句话总结

本文提出了一种新颖的深度学习框架，将电力系统运行状态表示为二维图像，以利用卷积神经网络（CNN）实现快速且准确的安全性评估。该方法相比传统的小信号稳定性分析，计算速度提升了255倍以上，同时在162节点NESTA系统上对N-1和小信号稳定性越限的分类任务中，召回率达到99.14%，准确率达到98%。

ABSTRACT

Security assessment is among the most fundamental functions of power system operator. The sheer complexity of power systems exceeding a few buses, however, makes it an extremely computationally demanding task. The emergence of deep learning methods that are able to handle immense amounts of data, and infer valuable information appears as a promising alternative. This paper has two main contributions. First, inspired by the remarkable performance of convolutional neural networks for image processing, we represent for the first time power system snapshots as 2-dimensional images, thus taking advantage of the wide range of deep learning methods available for image processing. Second, we train deep neural networks on a large database for the NESTA 162-bus system to assess both N-1 security and small-signal stability. We find that our approach is over 255 times faster than a standard small-signal stability assessment, and it can correctly determine unsafe points with over 99% accuracy.

研究动机与目标

• 为解决大规模电力系统中存在数百万个运行点时安全性评估的计算不可行性问题。
• 探索深度学习，特别是卷积神经网络（CNN），在加速电力系统安全性评估方面的潜力。
• 开发一种新型的电力系统运行状态二维图像表示方法，以保留系统接线结构和潮流特性。
• 基于包含100万个以上运行点的大规模数据库，训练并评估深度神经网络，用于N-1和小信号稳定性评估。
• 展示将深度学习模型集成到安全约束最优潮流框架中的可行性。

提出的方法

• 利用三个通道（有功功率P、无功功率Q和电压幅值V）将电力系统运行状态转换为二维图像，根据母线和线路的网络拓扑结构将数据映射到空间坐标上。
• 该图像表示方法通过将每个母线和线路分配到特定的网格位置，保留了网络结构，使CNN能够学习空间模式。
• 在NESTA 162节点系统上，使用一种高效算法生成的1,000,000个运行点数据库，训练了一个深度卷积神经网络（ConvNet）。
• 模型被训练以根据N-1预想故障准则和小信号稳定性（阻尼比≥3%）对每个运行点进行分类，判断其为安全或不安全。
• 通过准确率、F1分数、马修斯相关系数（MCC）和召回率等指标评估模型性能，并使用k-means聚类分析误分类区域。
• 在单核CPU上，将该框架与标准小信号稳定性分析方法在计算时间方面进行基准对比。

实验结果

研究问题

• RQ1 电力系统运行状态能否被有效表示为二维图像，从而实现计算机视觉领域预训练深度学习模型的迁移应用？
• RQ2 基于电力系统数据的图像表示，深度神经网络在分类N-1和小信号稳定性越限方面能达到多高的准确率？
• RQ3 与传统小信号稳定性评估相比，所提出的深度学习模型在计算速度上提升了多少？
• RQ4 安全边界中哪些区域最难以被模型正确分类？原因是什么？
• RQ5 该深度学习模型能否被集成到安全约束最优潮流框架中，以提升计算效率？

主要发现

• 所提出的基于图像的表示方法，成功实现了将计算机视觉领域的深度学习技术迁移应用于电力系统安全性评估。
• 深度神经网络在分类任务中实现了超过98%的准确率和99.14%的召回率，表明其在识别关键稳定性越限方面表现优异。
• 模型将每个运行点的计算时间缩短至86毫秒，相比标准小信号稳定性分析（21,950毫秒）实现了255倍的加速。
• 超过99%的误分类点集中于安全边界中的一个单一、微小区域，表明该区域存在局部建模挑战。
• 模型在多个评估案例中均保持高性能，最佳表现出现在平衡数据集和中等类别不平衡的情况下。
• 初步集成到最优潮流框架中的结果显示，在50次测试中平均计算时间为19.99秒，表明未来在优化框架中集成的可行性。