Exploiting sparse structures and synergy designs to advance situational awareness of electrical power grid

要約

電力網に対する不確実性、異常、サイバー攻撃の脅威が増大しているため、システムオペレーターが現在および将来の状態を完全かつ正確に把握できるようにする状況認識を向上させることが重要なニーズとなっています。
シミュレーションと推定は、このプロセスの基礎となるツールです。
しかし、既存のツールには、進化し続ける脅威の状況に必要な状況認識レベルを達成するために必要な堅牢性と効率性が欠けています。
業界標準の (定常状態) シミュレータは停電に対して堅牢ではなく、多くの場合、非収束または実用的ではない結果が生じます。
推定ツールは異常なデータに対する堅牢性に欠けており、誤ったシステム状態を返します。
非線形性とスケーラビリティの問題により大規模システムの収束が遅くなるため、効率ももう 1 つの大きな懸念事項となります。
この論文は、二重の貢献を通じて堅牢性と効率のギャップに対処します。
私たちはまず、既存の物理ベースおよびデータ駆動の世界に固有の制限に取り組みます。
そして、2 つの世界の長所を統合する新しいパラダイム、物理学と ML シナジーの方向に向かって、従来のアルゴリズム設計の境界を超えます。
私たちのアプローチは、伝送と分配の両方に適用される統一フレームワークを提供する回路定式化に基づいて構築されています。
スパース最適化は、これらのツールを本質的に堅牢にし、ランダムな脅威に耐性を持たせ、(ランダムな) ブラックアウトやデータ エラーの主要な原因を特定するための重要なイネーブラーとして機能します。
さらに、スパース性を利用した最適化を検討して、予測および検出機能が物理ベースのツールを補完する軽量 ML モデルを開発します。
その軽量設計により、汎用化と拡張性が向上します。
最後に、Physics-ML Synergy は、物理ベースのツールを軽量 ML と相互接続することで、標的型サイバー脅威に対する堅牢性と効率性をさらに高めます。

要約(オリジナル)

The growing threats of uncertainties, anomalies, and cyberattacks on power grids are driving a critical need to advance situational awareness which allows system operators to form a complete and accurate picture of the present and future state. Simulation and estimation are foundational tools in this process. However, existing tools lack the robustness and efficiency required to achieve the level of situational awareness needed for the ever-evolving threat landscape. Industry-standard (steady-state) simulators are not robust to blackouts, often leading to non-converging or non-actionable results. Estimation tools lack robustness to anomalous data, returning erroneous system states. Efficiency is the other major concern as nonlinearities and scalability issues make large systems slow to converge. This thesis addresses robustness and efficiency gaps through a dual-fold contribution. We first address the inherent limitations in the existing physics-based and data-driven worlds; and then transcend the boundaries of conventional algorithmic design in the direction of a new paradigm — Physics-ML Synergy — which integrates the strengths of the two worlds. Our approaches are built on circuit formulation which provides a unified framework that applies to both transmission and distribution. Sparse optimization acts as the key enabler to make these tools intrinsically robust and immune to random threats, pinpointing dominant sources of (random) blackouts and data errors. Further, we explore sparsity-exploiting optimizations to develop lightweight ML models whose prediction and detection capabilities are a complement to physics-based tools; and whose lightweight designs advance generalization and scalability. Finally, Physics-ML Synergy brings robustness and efficiency further against targeted cyberthreats, by interconnecting our physics-based tools with lightweight ML.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google