[论文解读] Introducing machine learning for power system operation support

Benjamin Donnot, Isabelle Guyon+3 more|arXiv (Cornell University)|Sep 27, 2017

Energy Load and Power Forecasting参考文献 5被引用 37

一句话总结

该论文提出了一种混合机器学习框架，通过从历史调度动作中学习，生成经模拟器验证的、按优先级排序的补救性网络拓扑动作，以提升电力系统运行的安全性并降低成本。该方法通过模仿专家决策实现，同时借助物理仿真确保安全性，利用真实世界数据进行模仿学习，以预测在系统异常情况下的最优网络重构方案。

ABSTRACT

We address the problem of assisting human dispatchers in operating power grids in today's changing context using machine learning, with theaim of increasing security and reducing costs. Power networks are highly regulated systems, which at all times must meet varying demands of electricity with a complex production system, including conventional power plants, less predictable renewable energies (such as wind or solar power), and the possibility of buying/selling electricity on the international market with more and more actors involved at a Europeanscale. This problem is becoming ever more challenging in an aging network infrastructure. One of the primary goals of dispatchers is to protect equipment (e.g. avoid that transmission lines overheat) with few degrees of freedom: we are considering in this paper solely modifications in network topology, i.e. re-configuring the way in which lines, transformers, productions and loads are connected in sub-stations. Using years of historical data collected by the French Transmission Service Operator (TSO) "Réseau de Transport d'Electricité" (RTE), we develop novel machine learning techniques (drawing on "deep learning") to mimic human decisions to devise "remedial actions" to prevent any line to violate power flow limits (so-called "thermal limits"). The proposed technique is hybrid. It does not rely purely on machine learning: every action will be tested with actual simulators before being proposed to the dispatchers or implemented on the grid.

研究动机与目标

• 协助电力系统调度员选择有效的补救措施，以防止输电线路过热过载。
• 基于法国输电网运营商（RTE）多年的历史调度动作数据，开发一种模仿专家决策的机器学习模型。
• 通过使用高保真电力系统模拟器对所有提议动作进行验证，确保安全性和可靠性后再部署。
• 通过优先选择低成本的拓扑重构而非昂贵的重新调度操作，降低运行成本。
• 利用学习到的模型实现实时电网运行中补救措施的快速、可扩展探索。

提出的方法

• 该方法使用模仿学习，在通过反事实分析标记为保护性动作的历史调度动作数据上训练深度学习模型。
• 将问题建模为监督学习任务，将系统状态映射到可防止热极限越限的最优拓扑动作。
• 按成本对动作进行排序，拓扑修改优先于重新调度，因其成本更低且更受青睐。
• 使用RTE的运行级电力系统模拟器测试每个候选动作，以验证其是否符合安全准则。
• 该框架受AlphaGo启发，未来计划扩展至强化学习与蒙特卡洛树搜索，以实现自我优化。
• 该方法结合数据驱动预测与基于物理的仿真，确保安全性和运行可行性。

实验结果

研究问题

• RQ1 基于历史调度动作训练的机器学习模型能否有效预测可防止电力系统热过载的拓扑补救措施？
• RQ2 反事实分析如何用于从非结构化历史数据中识别保护性动作，即使因果效应无法直接观测？
• RQ3 学习到的模型在未见的异常场景下，能在多大程度上保持安全性和成本效率的泛化能力？
• RQ4 物理模拟器的集成如何确保机器学习生成动作在实时电网运行中的可靠性？
• RQ5 强化学习能否与模仿学习有效结合，以提升电力系统运行中的策略学习效果？

主要发现

• 该方法成功利用反事实推理从历史数据中提取保护性动作，即使动作未被统一记录或其影响未被观测到。
• 在标准测试系统上的初步测试表明，该方法能生成现实且有效的补救动作候选。
• 模型优先选择低成本的拓扑重构，而非高成本的重新调度，与实际运行偏好一致。
• 所有提议动作均通过高保真模拟器验证，确保满足N-1安全准则且不引入新漏洞。
• 该框架实现了对大规模动作空间的快速探索，显著快于调度员基于人工模拟的评估速度。
• 未来与强化学习及蒙特卡洛树搜索的集成有望进一步提升动作质量与适应性。