[论文解读] Using Neural Networks to Detect Line Outages from PMU Data

Ching-pei Lee, Stephen J. Wright|arXiv (Cornell University)|Oct 16, 2017

Power System Optimization and Stability参考文献 14被引用 6

一句话总结

本文提出一种基于神经网络的方法，利用部分母线的PMU数据检测电力系统中的单线与双线停运。通过在多种工况下模拟交流潮流响应，模型训练出一个分类器，在实时计算量极小的情况下实现近乎完美的准确率，即使在PMU布点稀疏的情况下，也显著优于线性方法。

ABSTRACT

We propose an approach based on neural networks and the AC power flow equations to identify single- and double-line outages in a power grid using the information from phasor measurement unit sensors (PMUs) placed on only a subset of the buses. Rather than inferring the outage from the sensor data by inverting the physical model, our approach uses the AC model to simulate sensor responses to all outages of interest under multiple demand and seasonal conditions, and uses the resulting data to train a neural network classifier to recognize and discriminate between different outage events directly from sensor data. After training, real-time deployment of the classifier requires just a few matrix-vector products and simple vector operations. These operations can be executed much more rapidly than inversion of a model based on AC power flow, which consists of nonlinear equations and possibly integer / binary variables representing line outages, as well as the variables representing voltages and power flows. We are motivated to use neural network by its successful application to such areas as computer vision and natural language processing. Neural networks automatically find nonlinear transformations of the raw data that highlight useful features that make the classification task easier. We describe a principled way to choose sensor locations and show that accurate classification of line outages can be achieved from a restricted set of measurements, even over a wide range of demand profiles.

研究动机与目标

• 利用PMU数据提升电力系统线路停运检测的准确性，尤其在负荷和季节性条件变化的情况下。
• 解决线性模型在捕捉PMU测量中复杂非线性模式方面的局限性。
• 开发一种PMU最优布点方法，在使用最少传感器的前提下最大化停运检测性能。
• 通过离线训练后的轻量化推理，实现实时停运检测部署。
• 证明神经网络可在传统方法失效的多样化负荷配置下实现泛化能力。

提出的方法

• 该方法使用高保真交流潮流模型，模拟在多种负荷和季节性场景下所有可能的单线与双线停运事件的PMU测量数据。
• 从这些模拟中生成合成训练数据，表示每次停运事件后电压和电流相量的变化。
• 训练一个具有一个或多个隐层的前馈神经网络，直接从模拟的PMU数据中分类停运类型。
• 模型引入L2正则化，并采用贪心启发式算法选择能最大化分类性能的最优PMU位置。
• 训练完成后，推理仅需少量矩阵-向量运算，支持实时部署。
• 使用主成分分析可视化特征空间变换，显示神经网络变换后类别间分离度提升。

实验结果

研究问题

• RQ1 神经网络能否在多样化负荷条件下，有效从稀疏PMU测量中分类单线与双线停运？
• RQ2 与多类逻辑回归等线性模型相比，神经网络在停运检测中的性能如何？
• RQ3 在有限数量PMU的条件下，如何实现停运检测准确率的最大化？
• RQ4 在模拟数据上训练的神经网络能否泛化到真实世界中的负荷变化，包括昼夜和季节性波动？
• RQ5 与线性方法相比，神经网络的非线性特征提取能力是否能提升类别间分离度？

主要发现

• 当PMU布设于14母线系统所有母线上时，神经网络分类器在双线停运检测中达到0%错误率，显著优于线性模型。
• 在14母线系统中仅使用3个PMU时，神经网络的Top-2错误率为0.9%，而线性模型为71.7%。
• 在30母线系统中，PMU以5个战略性布点，神经网络的Top-2错误率为5.6%，而线性模型为84.5%。
• 神经网络模型在广泛负荷配置下表现出鲁棒性，包括季节性和昼夜波动，而以往基于数据的方法受限于狭窄范围。
• 特征可视化显示，神经网络将输入数据映射为更紧密的聚类和更清晰的类别分离。
• 该方法可在训练后以极低计算成本实现实时停运检测，因为推理仅需少量矩阵-向量运算。