[論文レビュー] Bayesian Model-based Generation of Synthetic Unbalanced Distribution Networks Incorporating Reliability Indices

Henrique Caetano, Rahul K. Gupta+3 more|arXiv (Cornell University)|Feb 13, 2026

Power System Reliability and Maintenance被引用数 0

ひとこと要約

論文は、CAIFIとCAIDIを組み込み、三相整合性を保つ不均衡な三相分布ネットワークを生成するベイズ階層モデルを提示し、 unseen 系統への転移学習を検証しつつ電気的実現性を保証する。

ABSTRACT

Real-world power distribution data are often inaccessible due to privacy and security concerns, highlighting the need for tools for generating realistic synthetic networks. Existing methods typically overlook critical reliability metrics such as the Customer Average Interruption Frequency Index (CAIFI) and the Customer Average Interruption Duration Index (CAIDI). Moreover, these methods often neglect phase consistency during the design stage, necessitating the use of a separate phase assignment algorithm. This work proposes a Bayesian Hierarchical Model (BHM) that generates phase-consistent unbalanced three-phase distribution systems, and incorporates reliability indices. The BHM learns the joint distribution of phase configuration, power demand, and reliability indices from a reference network, conditioning these attributes on topological features. We apply the proposed methodology to generate synthetic power distribution networks in Brazil, and validated it on known Brazilian networks. The results show that the BHM accurately reproduces the distributions of phase allocation, power demand, and reliability metrics on the training system. Furthermore, in out-of-sample validation on unseen data, the model generates phase-consistent networks and accurately predicts the reliability indices for the synthetic systems. The generated networks are also electrically feasible: three-phase power flows converge and voltages remain within typical operating limits, enabling studies of planning, reliability, and resilience.

研究の動機と目的

• 実データの機密性のため、現実的でありながら合成された分布ネットワークの需要な需要が必要である動機づけ。
• 参照ネットワークから相配置、有効電力需要、および信頼性指標を同時に学習するベイズ階層モデルの開発。
• 生成過程において相位整合性を保証し、CAIFI・CAIDIといった信頼性指標を組み込む。
• 異なる規模・信頼性特性を持つ未見ネットワークへモデルを適用して転移学習を実演。
• 三相潮流と電圧制約を用いて生成ネットワークの電気的実現性を示す。

提案手法

• 実ネットワークから学習するベイズ階層モデル(BHM)を用いた二部構成の生成フレームワークと、物理的制約を課しつつトポロジーから合成グリッドを生成。
• 相配置、有効電力需要、信頼性指標を、ホップ距離ゾーンなどのトポロジ的予測子を用いてモデル化。分布は、相配置にDirichlet-カテゴリ、負荷にGamma、CAIDIにHurdle-Weibull、CAIFIにNegative Binomial、系統パラメータにはGamma混合分布を採用。
• 相配置はホップ距離ゾーンを条件としたDirichlet事前分布で学習され、 upstreamの相の下流サブセットを強制するトポロジ的に配慮した割り当てアルゴリズムで制約。
• 電力需要は相 configuration に条件付けた階層的Gamma分布構造でモデル化され、単相・二相・三相のカテゴリ間で部分プーリングを可能にする共有ハイパーパラメータを設定。
• 信頼性指標CAIDIとCAIFIは、それぞれHurdle-WeibullとNegative Binomialとしてモデル化され、ゾーン特有のパラメータをホップ距離から階層的に学習し、局所性に基づく信頼性特性を確保。
• 系統 impedances は、系統ホップ距離ゾーン conditioned で混合Gamma成分を用いて生成し、過渡的な空中系と地下系の異質性を捉えた後、Carsonの式を用いて三相のインピーダンス行列に変換し三相実現性を確保。

実験結果

リサーチクエスチョン

• RQ1 ベイズモデルは実際の分布ネットワークから相配置、電力需要、信頼性指標の結合分布を学習できるか？
• RQ2 生成された合成ネットワークは unseen ネットワークで相の整合性と電気的実現性を維持するか？
• RQ3 トレーニングシステムとは異なるスケールと信頼性特性を持つネットワークへ転移学習はどの程度成功するか？
• RQ4 生成されたCAIDIとCAIFIの値はトレーニングデータと同様のゾーン依存の信頼性パターンを現実的に反映するか？

主な発見

• モデルはブラジル系統とIEEE 123-バスのベンチマークにおいてサンプルの100%で相の整合性を達成。
• 相配置確率の事後平均は、AB、CA、ABCといった相配置に対して経験データと概ね一致し、System A の検証で多くの構成でMAPEが低い。
• 生成された合成ネットワークは三相潮流収束を示し、電圧は通常の運用範囲内にとどまり、計画・信頼性研究を可能にする。
• BHMは、ロード規模と信頼性特性が異なる未見のSystem BとSystem Cへ適用して転移学習を実証し、相配置と信頼性予測の信頼性を維持。
• フレームワークはトップロジー効果（ホップ距離ゾーン）を信頼性指標と系統インピーダンスの主要予測因子として捉え、現実的な合成データ生成を支援。