[論文レビュー] Load Forecasting Based Distribution System Network Reconfiguration-A Distributed Data-Driven Approach

Yi Gu, Huaiguang Jiang+4 more|arXiv (Cornell University)|Nov 29, 2017

Energy Load and Power Forecasting参考文献 21被引用数 7

ひとこと要約

本論文は、三相放射状配電系統における短期的負荷予測およびネットワーク再構成のための分散型でデータ駆動の手法を提案する。サポートベクターレグレッション（SVR）と2次錐緩和、ADMMに基づく分散最適化を統合することで、システム損失を最小化するスイッチ設定の並列計算が可能となり、平均21.24%の損失削減を達成した。計算時間は30秒で、従来の遺伝的アルゴリズム手法を上回った。

ABSTRACT

In this paper, a short-term load forecasting approach based network reconfiguration is proposed in a parallel manner. Specifically, a support vector regression (SVR) based short-term load forecasting approach is designed to provide an accurate load prediction and benefit the network reconfiguration. Because of the nonconvexity of the three-phase balanced optimal power flow, a second-order cone program (SOCP) based approach is used to relax the optimal power flow problem. Then, the alternating direction method of multipliers (ADMM) is used to compute the optimal power flow in distributed manner. Considering the limited number of the switches and the increasing computation capability, the proposed network reconfiguration is solved in a parallel way. The numerical results demonstrate the feasible and effectiveness of the proposed approach.

研究の動機と目的

• 将来的な負荷変動を考慮した動的でリアルタイムなネットワーク再構成手法の開発、静的負荷測定に依存するのではなく。
• 短期間負荷予測の正確な統合を通じて、システム損失削減の向上。
• 分散最適化技術を用いて、最適スイッチ設定の効率的で並列計算の実現。
• 凸緩和と分散ADMMに基づく解法により、従来のヒューリスティック手法における局所最適解の問題を克服。
• 現代の配電系統における計算能力の増加に対応した計算時間の短縮とスケーラビリティの向上。

提案手法

• MapReduceを模倣した並列フレームワークにおいて、グリッド走査アルゴリズム（GTA）と粒子群最適化（PSO）を用いたSVRの2段階ハイパーパramータ最適化。
• ガウス径基数基底関数カーネルを用いたサポートベクターレグレッション（SVR）による短期負荷予測、1時間先の負荷プロファイルを予測。
• 三相平衡最適潮流（OPF）問題を2次錐計画（SOCP）に緩和することで、凸性と取り扱いやすさを確保。
• 緩和されたOPF問題を、複数の計算コア上で分散的・並列的に解くために、交互方向乗数法（ADMM）の適用。
• 放射状トポロジ制約下で、すべてのスイッチ設定の組み合わせを並列に走査し、各設定をADMMを用いて独立して解く。
• 予測された負荷データをOPFモデルに統合し、最小システム損失を達成するための動的ネットワーク再構成を実現。

実験結果

リサーチクエスチョン

• RQ1 分散型でデータ駆動の手法は、短期負荷予測を統合することで、配電系統のネットワーク再構成の精度と効率を向上させることができるか？
• RQ2 最適化されたハイパーパramータを有するSVRベースの負荷予測は、静的負荷入力と比較して、ネットワーク再構成のパフォーマンスにどのように寄与するか？
• RQ3 ADMMに基づく分散最適化は、放射状配電系統において、解の品質を維持したまま計算時間をどの程度短縮できるか？
• RQ4 負荷予測の正確性は、動的ネットワーク再構成におけるシステム損失削減にどのような影響を及えるか？
• RQ5 遺伝的アルゴリズムなどの従来のヒューリスティックまたはメタヒューリスティック手法と比較して、本手法のパフォーマンスとスケーラビリティはどのように異なるか？

主な発見

• 提案手法は、すべてのテストシナリオにおいて平均21.24%のシステム損失削減を達成し、従来の遺伝的アルゴリズムベースの手法（17.87%削減）を顕著に上回った。
• 提案された分散アプローチを用いることで、計算時間が30秒に短縮されたのに対し、従来の遺伝的アルゴリズム手法では107秒であった。
• 短期負荷予測モデルは、平均絶対誤差率（MAPE）2.23%および正規化平均二乗誤差（NRMSE）4.03%を達成した。
• 予測誤差の80%以上が±3.1%の範囲内に収まっており、高い予測信頼性を示した。
• 負荷増加シナリオでは平均24.13%の損失削減、負荷減少シナリオでは18.35%の損失削減が達成され、負荷変動にわたる高いロバストネスを示した。
• SOCP緩和とADMMの併用により、高速収束が実現され、凸性制約下で最適解が保証された。