Mitigating Parameter Degeneracy using Joint Conditional Diffusion Model for WECC Composite Load Model in Power Systems

要約

動的システムのデータ駆動型モデリングは、近年広く注目を集めています。
その逆定式化であるパラメーター推定は、観測値から固有のモデル パラメーターを推測することを目的としています。
ただし、パラメーターの縮退は、パラメーターの異なる組み合わせによって同じ観察可能な出力が生成されるため、モデル パラメーターを正確かつ一意に識別する上で重大な障壁となります。
電力システムにおける WECC 複合負荷モデル (CLM) のコンテキストでは、電力事業者は、1 つの障害イベントに対して慎重に選択された CLM パラメータが別の障害では満足に機能しない可能性があることを観察しています。
ここでは、ジョイント条件付き拡散モデルベースの逆問題ソルバー (JCDI) を革新します。これには、パラメーターの汎化性を向上させるために、マルチイベント観測の同時入力を備えたジョイント コンディショニング アーキテクチャが組み込まれています。
WECC CLM のシミュレーション研究では、提案された JCDI が縮退パラメータの不確実性を効果的に低減し、単一イベント学習スキームと比較してパラメータ推定誤差が 42.1% 減少することが示されています。
これにより、このモデルは、電子負荷のトリップやモーターの失速など、さまざまな故障イベントの下で電力軌跡を高精度に予測できるようになり、標準的な深層強化学習や教師あり学習のアプローチを上回るパフォーマンスを発揮します。
私たちは、この研究がシステムダイナミクスにおけるパラメーターの縮退の軽減に貢献し、さまざまな科学分野にわたる一般的なパラメーター推定フレームワークを提供すると期待しています。

要約(オリジナル)

Data-driven modeling for dynamic systems has gained widespread attention in recent years. Its inverse formulation, parameter estimation, aims to infer the inherent model parameters from observations. However, parameter degeneracy, where different combinations of parameters yield the same observable output, poses a critical barrier to accurately and uniquely identifying model parameters. In the context of WECC composite load model (CLM) in power systems, utility practitioners have observed that CLM parameters carefully selected for one fault event may not perform satisfactorily in another fault. Here, we innovate a joint conditional diffusion model-based inverse problem solver (JCDI), that incorporates a joint conditioning architecture with simultaneous inputs of multi-event observations to improve parameter generalizability. Simulation studies on the WECC CLM show that the proposed JCDI effectively reduces uncertainties of degenerate parameters, thus the parameter estimation error is decreased by 42.1% compared to a single-event learning scheme. This enables the model to achieve high accuracy in predicting power trajectories under different fault events, including electronic load tripping and motor stalling, outperforming standard deep reinforcement learning and supervised learning approaches. We anticipate this work will contribute to mitigating parameter degeneracy in system dynamics, providing a general parameter estimation framework across various scientific domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google