Inferring Ingrained Remote Information in AC Power Flows Using Neuromorphic Modality Regime
作者: Xiaoguang Diao, Yubo Song, Subham Sahoo
分类: eess.SY, cs.AI, cs.NE
发布日期: 2024-07-20 (更新: 2024-08-09)
备注: The manuscript has been accepted for publication in the Proceedings of 2024 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm 2024)
💡 一句话要点
提出基于脉冲神经网络的交流潮流远程信息推断方法，用于电力电子变换器高效协调。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 脉冲神经网络 智能电网 电力电子变换器 分布式控制 Hebbian学习 异步事件 电网安全
📋 核心要点
- 传统电网协调依赖集中式控制和通信，易受网络攻击且难以适应动态变化。
- 利用脉冲神经网络在电网边缘进行本地学习，无需全局协调即可适应电网扰动。
- 实验表明，该方法在不同规模系统下具有能量高效和有效的在线学习性能。
📝 摘要（中文）
本文提出了一种利用脉冲神经网络（SNN）作为电网边缘技术，在线推断交流潮流变化中的远程测量（如远程电压和电流）的方法，以实现电力电子变换器的高效协调。该工作将电力和信息统一起来，利用能量高效的神经形态学习和事件驱动的异步数据收集，以脉冲形式实现多模态数据归一化。首先，组织每个边缘的同步实值测量，并将其转换为基于异步脉冲的事件，以收集稀疏数据用于训练每个边缘的SNN。该方法没有依赖于误差相关的监督数据驱动学习理论，而是利用延迟驱动的无监督Hebbian学习规则来获得调制脉冲，用于电力电子变换器的开关，从而使变换器能够本地理解电网扰动并调整其运行，而无需显式的全局协调基础设施。这种方法不仅通过消除网络层来阻止网络攻击者的外源路径到达，而且还使变换器能够适应系统重构和参数失配问题。最后，通过在不同系统规模的各种场景下（包括修改后的IEEE 14节点系统和实验条件下）验证了其能量高效和有效的在线学习性能。
🔬 方法详解
问题定义：传统电网依赖集中式控制，需要大量通信基础设施，容易受到网络攻击，并且难以适应系统重构和参数失配等问题。现有方法通常依赖于误差相关的监督学习，需要大量的标注数据，且泛化能力有限。
核心思路：本文的核心思路是利用脉冲神经网络（SNN）在电网边缘进行本地学习，通过将电网的同步实值测量转换为异步脉冲事件，实现数据的稀疏化和能量高效处理。SNN通过无监督的Hebbian学习规则，学习电网的动态特性，从而使电力电子变换器能够本地理解电网扰动并自适应调整其运行，无需全局协调。
技术框架：整体框架包括以下几个主要阶段：1) 数据转换：将电网的同步实值测量（如电压、电流）转换为异步脉冲事件。2) SNN训练：利用延迟驱动的无监督Hebbian学习规则训练SNN，使其能够学习电网的动态特性。3) 调制脉冲生成：SNN的输出用于生成调制脉冲，控制电力电子变换器的开关。4) 变换器控制：电力电子变换器根据调制脉冲调整其运行，实现对电网扰动的自适应响应。
关键创新：最重要的技术创新点在于利用脉冲神经网络在电网边缘进行本地学习，无需全局协调即可实现对电网扰动的自适应响应。与传统的集中式控制方法相比，该方法具有更高的鲁棒性和可扩展性，并且能够有效降低通信成本和网络安全风险。此外，使用无监督的Hebbian学习规则，避免了对大量标注数据的依赖。
关键设计：论文中使用了基于延迟的Hebbian学习规则，该规则根据神经元之间的脉冲发放时间差来调整连接权重。具体的网络结构和参数设置（如神经元数量、连接权重初始化等）在论文中没有详细描述，属于未知信息。损失函数没有使用，因为采用的是无监督学习。
🖼️ 关键图片
📊 实验亮点
论文通过修改后的IEEE 14节点系统和实验条件验证了该方法的有效性。实验结果表明，该方法能够实现能量高效和有效的在线学习，并且能够适应系统重构和参数失配等问题。具体的性能数据和对比基线在摘要中没有明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于智能电网的分布式控制、电力电子变换器的自适应控制、以及电网的网络安全防御。通过在电网边缘部署基于SNN的智能节点，可以实现对电网状态的实时监测和快速响应，提高电网的稳定性和可靠性，并降低对集中式控制的依赖。
📄 摘要（原文）
In this paper, we infer remote measurements such as remote voltages and currents online with change in AC power flows using spiking neural network (SNN) as grid-edge technology for efficient coordination of power electronic converters. This work unifies power and information as a means of data normalization using a multi-modal regime in the form of spikes using energy-efficient neuromorphic learning and event-driven asynchronous data collection. Firstly, we organize the synchronous real-valued measurements at each edge and translate them into asynchronous spike-based events to collect sparse data for training of SNN at each edge. Instead of relying on error-dependent supervised data-driven learning theory, we exploit the latency-driven unsupervised Hebbian learning rule to obtain modulation pulses for switching of power electronic converters that can now comprehend grid disturbances locally and adapt their operation without requiring explicit infrastructure for global coordination. Not only does this philosophy block exogenous path arrival for cyber attackers by dismissing the cyber layer, it also entails converter adaptation to system reconfiguration and parameter mismatch issues. We conclude this work by validating its energy-efficient and effective online learning performance under various scenarios in different system sizes, including modified IEEE 14-bus system and under experimental conditions.