사전 훈련 및 미세 조정된 Attention-Driven Neural Operator를 사용한 사고 후 전압 궤적의 등각 예측

핵심 개념

본 연구는 제한된 데이터 환경에서도 높은 정확도와 신뢰성을 보장하는 전력 시스템 사고 후 전압 궤적 예측을 위한 새로운 데이터 기반 방법론을 제시합니다.

초록

본 연구 논문은 전력 시스템에서 사고 후 전압 궤적의 예측 구간을 추정하기 위한 새로운 데이터 기반 방법론을 제안합니다. 저자들은 전압 궤적의 복잡한 역학을 포착하고 분포 가정 없이 목표 궤적의 분위수를 안
정적으로 추정하도록 설계된 Quantile Attention-Fourier Deep Operator Network (QAF-DeepONet)을 소개합니다.
문제 제기
전력 시스템의 안정성을 실시간으로 평가하는 것은 시스템의 지속적이고 안정적인 운영을 위해 필수적입니다. 사고 또는 장비 고장과 같은 교란 후 안정적인 평형점을 찾는 시스템의 능력을 의미합니다. 기존의 모델 기반 접근 방식은 높은 정확도를 제공하지만 계산 비용이 많이 들어 실시간 적용이 어렵습니다. 이러한 문제를 해결하기 위해 PMU와 같은 최신 측정 시스템에서 제공하는 실시간 데이터를 활용하는 데이터 기반 방법론이 등장했습니다. 그러나 기존의 딥러닝 방법은 유한 차원 공간에서 작동하기 때문에 전력 시스템 역학의 복잡성을 처리하는 데 한계가 있습니다. 전압 궤적은 시간 및 기타 매개변수의 연속 함수이므로 본질적으로 무한 차원입니다.
해결 방안
본 논문에서 제안하는 QAF-DeepONet은 제한된 데이터 문제를 해결하기 위해 사전 훈련 및 미세 조정 프로세스를 사용합니다. 사전 훈련 단계에서는 인접 버스의 데이터를 사용하여 기본 전압 역학을 학습합니다. 이 단계에서는 데이터 프라이버시를 유지하면서 모델의 견Robustness을 향상시키기 위해 연합 학습을 통해 데이터를 병합합니다. 사전 훈련 후 모델은 대
상 버스의 데이터로 미세 조정되어 해당 버스에 대한 예측의 정확도와 신뢰성을 더욱 향상시킵니다. 마지막으로 예측 구간에 원하는 범위 보장을 제공하기 위해 등각 예측 방법을 미세 조정 프로세스에 통합합니다.

본 연구의 주요 기여는 다음과 같습니다.

QAF-DeepONet: 사고 후 전압 궤적 구간을 예측하기 위한 새로운 데이터 기반 프레임워크인 QAF-DeepONet을 소개합니다. 이 프레임워크는 어텐션 메커니즘과 푸리에 특징 네트워크를 사용하여 이질적인 입력 데이터를 처리하면서 전압 궤적의 동적 동작과 변동을 포착합니다. QAF-DeepONet은 가능한 결과의 범위를 포착하기 위해 대상 솔루션의 하위 및 상위 분위수를 추정합니다.

연합 학습 사전 훈련: 인접 버스의 분산 데이터를 사용하여 QAF-DeepONet을 사전 훈련하기 위해 연합 학습을 사용합니다. 이 접근 방식은 데이터 프라이버시를 유지하면서 병합을 통해 사용 가능한 데이터를 활용하여 낮은 데이터 영역 문제를 해결하고 모델의 일반화 가능성과 견고성을 향상시킵니다.

대상 버스에 대한 미세 조정: 대상 버스의 데이터로 사전 훈련된 모델을 미세 조정하여 예상 예측 구간의 신뢰성과 정밀도를 향상시킵니다.

등각 예측 통합: 미세 조정된 QAF-DeepONet 예측에 등각 예측 기술을 통합하여 예측 구간이 원하는 범위 보장을 충족하도록 합니다. 이러한 조정을 통해 전력 시스템에서 효과적인 의사 결정을 지원하는 통계적으로 신뢰할 수 있는 구간을 제공합니다.

핵심 통찰 요약

Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators

by Amirhossein ... 게시일 arxiv.org 11-01-2024

https://arxiv.org/pdf/2410.24162.pdf