[論文レビュー] Identifying Topology of Power Distribution Networks Based on Smart Meter Data

Jayadev P Satya, Nirav Bhatt+2 more|arXiv (Cornell University)|Sep 9, 2016

Complex Network Analysis Techniques被引用数 8

ひとこと要約

本稿では、スマートメーターのエネルギー測定値を用いて低圧配電網のトポロジーおよび相間接続を特定するデータ駆動型手法を提案する。主成分分析（PCA）とそのグラフ理論的解釈を活用することで、多項式時間の計算複雑性を有しながらも、シミュレーションにおいてほぼ完璧な成功率を達成する効率的かつ正確なネットワーク構造の同定が可能となり、従来手法に比べて高速かつ信頼性に優れる。

ABSTRACT

In a power distribution network, the network topology information is essential for an efficient operation of the network. This information of network connectivity is not accurately available, at the low voltage level, due to uninformed changes that happen from time to time. In this paper, we propose a novel data--driven approach to identify the underlying network topology including the load phase connectivity from time series of energy measurements. The proposed method involves the application of Principal Component Analysis (PCA) and its graph-theoretic interpretation to infer the topology from smart meter energy measurements. The method is demonstrated through simulation on randomly generated networks and also on IEEE recognized Roy Billinton distribution test system.

研究の動機と目的

• 再構成、保守、負荷バランスの変更に伴い頻繁に変化するため、正確で最新の低圧（LV）配電網トポロジー情報が不足している問題に対処すること。
• 追加のハードウェアやGISデータを必要としないソフトウェアベースのデータ駆動型アプローチを開発し、ネットワークトポロジーおよび相接続を同定すること。
• 時系列のスマートメーターのエネルギー測定値のみを用いて、効率的かつリアルタイムにトポロジーを特定できること。
• MIPに基づく手法など、高い計算コストに起因する既存手法の限界や、専用センサーやインfrastruture依存の問題を克服すること。
• 実用的導入に適したスケーラブルで多項式時間のソリューションを提供すること。

提案手法

• 時系列のスマートメーターのエネルギー測定値に主成分分析（PCA）を適用し、電力潮流の主要なパターンを抽出する。
• PCAのグラフ理論的解釈を用いて、ネットワークをグラフとしてモデル化し、ノードを消費者、エッジを電力潮流関係として表現する。
• 主成分を用いて、物理的接続を示す相関する負荷パターンを同定することで、潜在的なネットワーク構造を推定する。
• エネルギー保存則を活用して、三相にわたる有効電力測定値の相関構造を分析することで、相接続を特定する。
• 合成ランダムネットワークおよびIEEE Roy Billinton配電テストシステムを用いて検証を行い、現実的なノイズおよび同期誤差を組み込んだ。
• アルゴリズムは計算的に効率的であり、問題を多項式時間で解けることが示され、MIPベースの代替手法に比べて顕著に高速であることが実証された。

実験結果

リサーチクエスチョン

• RQ1 PCAおよびそのグラフ理論的解釈を用いて、スマートメーターのデータのみで低圧配電網の物理的トポロジーを効果的に同定できるか？
• RQ2 電圧位相角や電圧データが欠如している状況下で、有効電力測定値のみを用いて相接続をどれほど正確に特定できるか？
• RQ3 MIPのような既存の最適化ベースの手法と比較して、提案手法の計算効率はどの程度か？
• RQ4 測定ノイズ、技術的損失、時刻同期誤差といった現実的条件の下で、本手法の性能はいかがなものか？
• RQ5 本手法を、トポロジー変化の検出や、損失推定、電力盗難検出などの応用に拡張可能か？

主な発見

• 2n個以上のサンプル（n = 消費者数）を用いた場合、提案されたPCAベースの手法はトポロジー同定で100％の成功率を達成し、2nサンプルの平均計算時間は7.47秒であった。
• 先行研究のMIPベース手法と比較して、同様の計算環境下でトポロジー同定をミリ秒単位で完了したのに対し、MIP手法は数十秒を要した。
• 2niおよび3niのサンプルサイズでは相識別成功率が100％に達し、4niでは90％の成功率を示し、十分なデータ量があれば高い耐障害性を示した。
• アルゴリズムはネットワークサイズに応じて効率的にスケーリングされ、シミュレーション時間はノード数に比例して増加した。これにより、多項式時間の複雑性が裏付けられた。
• 技術的損失、メーター誤差（0.5精度クラス）、15分間隔での測定に±1秒の同期ジッターを含む現実的条件下でも、本手法は正確にネットワークトポロジーを再構築できた。
• 本手法はスケーラブルで実用的であり、ステート推定、停電管理、損失検出などの分野において、アクティブ配電網におけるリアルタイム導入が可能である。