[論文レビュー] Transient Stability Assessment of Networked Microgrids Using Neural Lyapunov Methods

Tong Huang, Sicun Gao+1 more|arXiv (Cornell University)|Dec 2, 2020

Microgrid Control and Optimization参考文献 15被引用数 4

ひとこと要約

本稿では、動的安定性領域を推定するためにニューラルラプラシアン関数を用いた機械学習ベースの一時的安定性評価（TSA）ツールを、ネットワーキングされたマイクログリッドに対して提案する。ニューラルネットワークを用いて局所的ラプラシアン関数を学習させることで、特に非一様なインターフェース動的特性を有する系において、二次ラプラシアン関数に基づく手法に比べて著しく保守的でない、システムが耐えられる摂動を特徴付ける。

ABSTRACT

This paper proposes a novel transient stability assessment tool for networked microgrids based on neural Lyapunov methods. Assessing transient stability is formulated as a problem of estimating the dynamic security region of networked microgrids. We leverage neural networks to learn a local Lyapunov function in the state space. The largest security region is estimated based on the learned neural Lyapunov function, and it is used for characterizing disturbances that the networked microgrids can tolerate. The proposed method is tested and validated in a grid-connected microgrid, three networked microgrids with mixed interface dynamics, and the IEEE 123-node feeder. Case studies suggest that the proposed method can address networked microgrids with heterogeneous interface dynamics, and in comparison with conventional methods that are based on quadratic Lyapunov functions, can characterize the security regions with much less conservativeness.

研究の動機と目的

• 現代の配電系統で一般的な非一様なインターフェース動的特性を有するネットワーキングマイクログリッドにおける一時的安定性評価（TSA）の課題に対処すること。
• 時間領域シミュレーションやエネルギー関数法といった従来のTSA手法の限界を克服すること。これらの手法は計算コストが高く、線路損失やR/X比の問題により適用不能である。
• 学習されたラプラシアン関数を用いて、厳密な安定性認証を提供するデータ駆動型でスケーラブルなTSAツールを開発し、配電系統運用者（DSO）のリアルタイムの状況認識を可能にすること。
• 二次ラプラシアン関数に基づく手法に比べ、安定性領域推定の保守的さを低減し、より正確な摂動耐容性の特徴付けを可能にすること。
• 複雑なマイクログリッドネットワークにおける、オフライン設計およびオンライン応用の両方を可能にする安定性領域の提供。

提案手法

• 状態空間における動的安定性領域（DSR）の推定として一時的安定性評価を定式化し、ニューラルネットワークを用いて局所的ラプラシアン関数を学習する。
• 平衡点の近傍でラプラシアン条件（V(x) > 0 および V̇(x) < 0）を満たす制約付き最適化フレームワークを用いて、ニューラルラプラシアン関数を訓練する。
• ラプラシアン安定性条件を満たす有効な状態軌道を生成するために、Satisfiability Modulo Theories（SMT）ソルバーを用いてトレーニングデータセットを拡張する。
• 学習されたラプラシアン関数を用いて、最大のサブレベル集合 S_α = {x | V_θ*(x) ≤ α} を安全領域として推定する。これは、安定回復を引き起こす初期条件の集合を定義する。
• 時間領域シミュレーションを用いずに、事前状態の運転条件が推定された領域内にあるかどうかを確認することで、リアルタイムの安定性評価に安全領域を適用する。
• グリッド接続マイクログリッド、混合動的特性を持つ3つのネットワーキングマイクログリッド、およびIEEE 123ノード配電系統の3つのテストケースで、手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 非一様なインターフェース動的特性を有するネットワーキングマイクログリッドの動的安定性領域を推定するために、ニューラルラプラシアン関数を効果的に訓練できるか？
• RQ2 従来の二次ラプラシアン関数に基づく手法に比べ、推定された安全領域の保守的さはどの程度か？
• RQ3 提案手法は、時間領域シミュレーションに依存せずにリアルタイムの安定性認証を提供できるか？
• RQ4 大規模な摂動および変化するネットワーク構成下でも、安定性認証の正確性を維持できるか？
• RQ5 従来の手法で推定された領域の外にある初期条件に対しても、学習された安全領域は、システムの収束を正確に予測できるか？

主な発見

• 提案されたニューラルラプラシアン手法は、サブレベル集合値0.69を有する安全領域 S_0.69 を推定した。この領域は、安定したシステム回復を引き起こす初期条件を含むと検証された。
• IEEE 123ノード系統において、初期条件 x(0) = [-0.6, 0.2, 0, 0]^T rad が従来の二次ラプラシアン関数に基づく領域の外にありながらも、提案手法の領域内にあり、時間領域シミュレーションで収束が確認された。
• 図14(b)で示されるように、ニューラルラプラシアン手法による安全領域は、従来手法よりも著しく保守的でなく、二次手法が捉えられなかった領域を含んでいた。
• ラプラシアン関数 V_θ* の学習には2901.69秒を要したが、計算コストはオフライン展開の可能性を示している。
• 手法によりリアルタイムの安定性評価が可能となった。x(0)が与えられたとき、V_θ*(x(0)) < 0.69 をチェックするだけでミリ秒単位で安定性を結論づけられ、時間領域シミュレーションの煩わしさを回避できた。
• 混合インターフェース動的特性を有するシステム、特に3つのマイクログリッドネットワークおよびIEEE 123ノードテストフェーザにおいて、手法は非一様な構成にわたり、強固であることが示された。