[논문 리뷰] Bayesian Estimation Based Load Modeling Report

Chang Fu, Zhe Yu외 1명|arXiv (Cornell University)|2018. 10. 17.

Power System Optimization and Stability참고 문헌 19인용 수 5

한 줄 요약

이 논문은 인덕션 모터(IM)와 ZIP 복합 모델을 사용하여 동적 부하 모델링을 위한 베이지안 추정 기반 방법을 제안한다. 이는 측정 데이터로부터 매개변수 사후분포를 반복적으로 업데이트하기 위해 깁스 샘플링을 활용한다. 이 방법은 시간에 따라 변화하는 매개변수 추정에서 높은 정확도를 달성하며, 1%의 측정 노이즈 조건에서도 최대 오차가 6.25% 미만임을 입증하여 기존 방법에 비해 강인성과 신뢰성을 확보한다.

ABSTRACT

This report presents the detailed steps of establishing the composite load model in the power system. The derivations of estimation the ZIP model and IM model parameters are proposed in this report. This is a supplementary material for the paper submitted to PES GM 2019.

연구 동기 및 목표

• 측정 기반 및 구성 요소 기반 부하 모델링 방법의 한계를 극복하기 위해, 측정 노이즈에 민감하고 부하 구성 데이터에 의존하는 문제를 해결한다.
• 개별 구성 요소의 특성에 대한 사전 지식이 없이도 복합 부하 모델(ZIP + IM)에 대해 시간에 따라 변화하는 강인한 매개변수 추정 프레임워크를 개발한다.
• 다양한 측정 오차 조건 하에서 베이지안 추정을 깁스 샘플링을 활용한 동적 부하 매개변수 식별에 적용할 수 있는 타당성과 정확도를 검증한다.
• 미래의 다중 모델 복합 부하 식별 및 구성 추론을 위한 기반을 마련하기 위해 고급 통계 및 머신러닝 기법을 활용한다.

제안 방법

• 이 방법은 공액 사전분포를 사용하여 효율적인 계산을 위한 베이지안 추론을 활용하여 부하 모델 매개변수의 사후분포를 추정한다.
• 깁스 샘플링을 적용하여 α_c, E, ω, I, τ 등의 매개변수의 전체 조건부 분포에서 반복적으로 샘플링하여 단계적으로 사후 추정치를 업데이트한다.
• 핵심 방정식으로는 α_c에 대한 사후 정규분포와 정밀도 매개변수 τ에 대한 감마분포가 있으며, 이는 우도와 사전 정보로부터 유도된다.
• 모델은 측정된 유공력, 무공력, 전압, 전류 및 로터 플럭스 성분(E’d, E’q)을 입력으로 사용하여 매개변수 사후분포를 계산한다.
• 모델 잔차의 정규성 가정을 하고, 반복적 샘플링을 통해 안정적인 사후분포에 수렴하도록 한다.
• 측정 오차를 통제한 시뮬레이션(1%, 2%, 5%)을 통해 추정 정확도와 강인성을 평가하기 위해 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 깁스 샘플링을 활용한 베이지안 추정은 측정 노이즈 조건 하에서도 복합 부하 모델에 대해 정확하고 강인한 시간에 따라 변화하는 매개변수 추정치를 제공할 수 있는가?
• RQ2 노이즈가 있는 측정 조건 하에서 전통적인 최대우도나 최소제곱 방법과 비교해 본다면, 제안된 방법은 오차와 안정성 측면에서 어떻게 다른가?
• RQ3 구성 요소 기반 모델링에 비해 베이지안 프레임워크는 부하 구성 데이터에 대한 의존도를 얼마나 줄일 수 있는가?
• RQ4 실제 부하 모델 매개변수 추정에서 잔차의 정규성 가정이 성립하는가? 이는 수렴성과 정확도에 어떤 영향을 미치는가?
• RQ5 이 방법은 복합 격리 전력계통 내에서 다수의 ZIP 및 IM 모델을 동시에 식별하는 데 응용될 수 있는가?

주요 결과

• 1% 측정 오차 조건에서 모든 매개변수의 최대 추정 오차는 6.25% 이하였으며, 이는 높은 정확도와 강인성을 나타낸다.
• α_c의 경우 진짜 값 0.80에 비해 추정 평균 값이 0.75로 나타나 6.25% 오차를 보였으며, 이는 실용적 응용에 있어 수용 가능한 수준이다.
• 2% 측정 오차 조건에서는 α_b의 오차가 10%로 증가하여 높은 노이즈 수준에 민감함을 보였지만, 다른 매개변수들은 5% 이내 오차를 유지하였다.
• 5% 측정 오차 조건에서는 α_b의 오차가 5%로, α_c는 2.5%로 유지되어 상당한 노이즈 조건에서도 합리적인 정확도를 유지함을 보였다.
• 표 2–4의 시뮬레이션 결과는 깁스 샘플링 기반의 베이지안 추정 방법이 정확한 사후분포에 수렴하며, 평균 추정치가 진짜 값과 밀접하게 추적됨을 확인한다.
• 이 방법은 세부적인 부하 구성 요소 데이터가 필요로 하지 않으며, 표본 크기가 충분할 경우 측정 이상치에 대해서도 강인함을 입증하였다.