Analytical Verification of Performance of Deep Neural Network Based Time-Synchronized Distribution System State Estimation

要約

最近、私たちはリアルタイムの観測不可能な配信システム向けにディープ ニューラル ネットワーク (DNN) を使用した時間同期状態推定器の成功を実証しました。
このレターでは、入力測定値の摂動の関数として、その状態推定器のパフォーマンスに関する分析限界を提供します。
テスト データセットのみに基づいてパフォーマンスを評価しても、トレーニングされた DNN の入力摂動を処理する能力を効果的に示すことができない可能性があることがすでに示されています。
そのため、混合整数線形計画法 (MILP) 問題として扱うことで、入力摂動に対する DNN の堅牢性と信頼性を分析的に検証します。
MILP 定式化のスケーラビリティ制限に対処するバッチ正規化の機能も強調されています。
このフレームワークは、修正された IEEE 34 ノード システムと現実世界の大規模配電システムに対して時間同期配電システム状態推定を実行することによって検証されます。どちらもマイクロフェーザ測定ユニットによっては不完全に観測されます。

要約(オリジナル)

Recently, we demonstrated success of a time-synchronized state estimator using deep neural networks (DNNs) for real-time unobservable distribution systems. In this letter, we provide analytical bounds on the performance of that state estimator as a function of perturbations in the input measurements. It has already been shown that evaluating performance based on only the test dataset might not effectively indicate a trained DNN’s ability to handle input perturbations. As such, we analytically verify robustness and trustworthiness of DNNs to input perturbations by treating them as mixed-integer linear programming (MILP) problems. The ability of batch normalization in addressing the scalability limitations of the MILP formulation is also highlighted. The framework is validated by performing time-synchronized distribution system state estimation for a modified IEEE 34-node system and a real-world large distribution system, both of which are incompletely observed by micro-phasor measurement units.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google