[论文解读] Fast Power system security analysis with Guided Dropout

Benjamin Donnot, Isabelle Guyon+3 more|arXiv (Cornell University)|Jan 30, 2018

Power System Optimization and Stability被引用 17

一句话总结

本文提出Guided Dropout，一种深度学习方法，通过单一神经网络预测多种输电网络拓扑结构下的潮流分布，特别实现了从'n-1'（一条线路断开）到'n-2'（两条线路断开）情况的泛化，且无需重新训练。通过条件隐藏单元编码拓扑变化，模型实现超泛化，使潮流计算速度比传统AC模拟器快300倍，同时在真实法国超高压电网数据上保持高精度。

ABSTRACT

We propose a new method to efficiently compute load-flows (the steady-state of the power-grid for given productions, consumptions and grid topology), substituting conventional simulators based on differential equation solvers. We use a deep feed-forward neural network trained with load-flows precomputed by simulation. Our architecture permits to train a network on so-called "n-1" problems, in which load flows are evaluated for every possible line disconnection, then generalize to "n-2" problems without retraining (a clear advantage because of the combinatorial nature of the problem). To that end, we developed a technique bearing similarity with "dropout", which we named "guided dropout".

研究动机与目标

• 解决由于线路断开可能性组合爆炸导致的实时电力系统安全分析中的计算瓶颈问题。
• 开发一种数据驱动方法，可在不为每种配置重新训练的情况下，预测多种电网拓扑结构下的潮流分布。
• 利用仅在'n-1'案例上训练的神经网络，实现对关键'n-2'故障情形的快速预筛选。
• 在真实世界高压输电网络（如法国超高压电网）上展示方法的可扩展性与性能。
• 提供一种计算效率更高的替代方案，替代缓慢的AC潮流模拟和DC近似方法，同时保持高预测精度。

提出的方法

• 在参考电网拓扑结构的所有'n-1'故障情形（一条线路断开）的预计算AC潮流模拟结果上，训练一个深度前馈神经网络。
• 在神经网络架构中引入条件隐藏单元，以编码哪条线路断开，从而实现对不同拓扑结构的泛化。
• Guided Dropout提出一种新颖的拓扑编码机制，受Dropout启发，特定隐藏单元根据线路断开状态被激活，实现跨拓扑结构的共享学习。
• 该方法实现“超泛化”：尽管仅在'n-1'案例上训练，网络仍能准确预测'n-2'案例（两条线路断开）的潮流分布。
• 模型仅以有功功率注入作为输入，不依赖电抗或导纳等物理参数，实现完全数据驱动。
• 该架构在法国超高压电网的真实数据上进行了评估，推理速度超过每秒1,000次潮流计算。

实验结果

研究问题

• RQ1 一个在'n-1'电网故障情形上训练的单一神经网络，能否在不重新训练的情况下，准确泛化到'n-2'故障情形？
• RQ2 所提出的Guided Dropout方法是否在准确性和计算速度上均优于传统基线方法（如DC近似和独热编码）？
• RQ3 该方法能否扩展至包含数千条线路和节点的真实世界高压输电系统？
• RQ4 与依赖物理信息的DC近似等物理启发方法相比，该数据驱动模型的性能表现如何？
• RQ5 引导式Dropout机制在多大程度上实现了正则化，并促进了拓扑变体之间的高效参数共享？

主要发现

• Guided Dropout方法实现了超泛化，仅使用在'n-1'案例上训练的模型，即可准确预测'n-2'故障情形下的潮流分布。
• 在118节点Matpower基准测试中，该方法在预测准确性和推理速度方面均优于所有基线方法，包括DC近似。
• 在真实法国超高压电网数据上，模型每秒可完成超过1,000次潮流预测，相较当前AC模拟器性能提升约300倍。
• 在法国电网完整'n-1'数据集上进行训练是可行的（1,400个节点，2,700条线路），而若训练所有'n-2'案例则需约5,000万次模拟，耗时近半年。
• 尽管完全基于数据驱动且未显式包含物理知识，该模型性能与使用系统参数（如电抗和导纳）的DC近似方法相当。
• 该方法实现了对关键'n-2'故障情形的快速预筛选，使调度员可仅将AC模拟聚焦于高风险场景。