[論文レビュー] Distribution Network Topology Detection with Time Series Measurement Data Analysis

Guido Cavraro, Reza Arghandeh+1 more|arXiv (Cornell University)|Apr 22, 2015

Power System Optimization and Stability参考文献 9被引用数 3

ひとこと要約

本稿では、同期相位計測（µPMU）測定値の時系列解析を用いたリアルタイム配電網トポロジー検出手法を提案する。スイッチ操作中の観測電圧軌道パターンを、事前に計算されたトポロジー遷移シグネチャーライブラリと比較することで、PMU設置数が限られ、ノイズが存在する状況下でも、スイッチングイベントおよび最終的なトポロジーを正確に同定可能であり、7台のPMUでの運用でも6.2%未満の誤り率を達成した。

ABSTRACT

This paper proposes a novel approach for detecting the topology of distribution networks based on the analysis of time series measurements. The time-based analysis approach draws on data from high-precision phasor measurement units (PMUs or synchrophasors) for distribution systems. A key fact is that time-series data taken from a dynamic system show specific patterns regarding state transitions such as opening or closing switches, as a kind of signature from each topology change. The proposed algorithm here is based on the comparison of the actual signature of a recent state transition against a library of signatures derived from topology simulations. The IEEE 33-bus model is used for initial algorithm validation.

研究の動機と目的

• スイッチ状態報告の信頼性の低さと測定カバレッジの不足による、配電網におけるトポロジー可視性の課題に対処すること。
• 高精度な時系列位相測定値を用いて、リアルタイムでスイッチング操作と更新されたネットワークトポロジーを検出すること。
• トポロジー遷移からの動的システムシグネチャーデータを活用することで、状態推定器への依存を低減し、精度を向上させること。
• 実際の住宅用負荷データを用いて、負荷変動や測定ノイズを含む実際の条件下での手法の妥当性を検証すること。
• 最小限のセンサ数で高い検出精度を維持しつつ、PMU設置位置を最適化すること。

提案手法

• µPMUからの時系列測定値を用いて、システム状態遷移中の電圧ダイナミクスを表すトレンドベクトルを抽出する。
• 事前にシミュレートされたIEEE 33バスモデルにおけるトポロジー変更から導出されたシグネチャーベクトルライブラリと、観測されたトレンドベクトルを比較する。
• アルゴリズムは相関に基づく一致度指標 $ \mathcal{C} $ を用い、最も近いシグネチャーベクトルを特定することで、新しいトポロジーおよびスイッチング時刻を同定する。
• 実際の米国住宅用負荷データに基づく統計的負荷モデルを用いて、現実の負荷ダイナミクスを再現し、耐障害性を検証する。
• 測定ノイズと負荷変動を考慮し、弱いまたは誤検出の可能性のある信号をフィルタリングするため、しきい値（min_norm, min_proj）を設定する。
• 検出精度を最大化しつつセンサ数を最小化する目的で、グリーディアルゴリズムを用いてPMU設置位置を最適化する。

実験結果

リサーチクエスチョン

• RQ1 時系列位相測定値を用いて、リアルタイムでスイッチング操作を検出し、新たなトポロジーを推定することは可能か？
• RQ2 負荷変動や測定ノイズといった実際の条件下でも、トポロジー検出アルゴリズムの耐障害性は高いか？
• RQ3 配電網における信頼性の高いトポロジー検出を達成するために、必要なPMUの最小数はどれくらいか？
• RQ4 PMU設置が疎で、ネットワークの部分的可視性しか得られない状況下でも、アルゴリズムの性能はどの程度か？
• RQ5 状態推定やスイッチ状態の事前知識に依存せずに、トポロジー変更を検出できるか？

主な発見

• ノイズなしで負荷が一定の理想状態では、10,000回のモンテカルロシミュレーションにおいて、検出誤りおよび意思決定誤りがゼロであった。
• 33台のPMUを用いた場合、ノイズあり条件（標準偏差 = 0.68 kV）では誤り率1.31%、高負荷変動（標準偏差 = 2.22 kV）では5.27%であった。
• 7台のPMUでの運用でも誤り率は6.19%に増加したが、高ノイズおよび高負荷変動下でも6.2%未満に保たれ、センサ数が少ない状況下でも強い耐障害性を示した。
• 1バスあたり1台のPMU設置と、4ノードごとに1台設置する場合の性能にほとんど差がなく、スケーラビリティと低センサ依存性が確認された。
• 誤検出数は常に低く抑えられており、多数の誤りはトポロジーの誤特定ではなく、スイッチングイベントの時刻を逃すことに起因していた。
• 測定カバレッジが限られても、正しいトポロジーとスイッチング時刻を正しく同定できたため、実運用への実現可能性が裏付けられた。