[논문 리뷰] Identification of AC Networks via Online Learning

Emanuele Fabbiani, Pulkit Nahata외 2명|arXiv (Cornell University)|2020. 03. 13.

Power System Optimization and Stability참고 문헌 29인용 수 4

한 줄 요약

이 논문은 동기화된 복소 전압 및 전류 위상 측정값을 이용하여 교류(AC) 분포망의 네트워크 어드미ittance 행렬을 실시간으로 추정하기 위한 온라인 순환 식별 방법을 제안한다. 네트워크의 구조 및 선로 파라미터를 실시간으로 파악한다. 설계 실험(DoE) 절차를 통합하여 전압 자극을 최적화함으로써 수렴 속도를 가속화하고 정확도를 향상시킨다. 특히 네트워크의 구성 변화가 발생할 경우 기존의 배치 및 표준 순환 방법보다 우수한 성능을 보이며, 실제 분포망에서의 수치 실험에서 검증되었다.

ABSTRACT

The increasing penetration of intermittent distributed energy resources in power networks calls for novel planning and control methodologies which hinge on detailed knowledge of the grid. However, reliable information concerning the system topology and parameters may be missing or outdated for temporally varying electric distribution networks. This paper proposes an online learning procedure to estimate the network admittance matrix capturing topological information and line parameters. We start off by providing a recursive identification algorithm exploiting phasor measurements of voltages and currents. With the goal of accelerating convergence, we subsequently complement our base algorithm with a design-of-experiment procedure which maximizes the information content of data at each step by computing optimal voltage excitations. Our approach improves on existing techniques, and its effectiveness is substantiated by numerical studies on realistic testbeds.

연구 동기 및 목표

• 동적이고 재구성 가능한 분포망에서 신뢰할 수 없거나 오래된 그리드 구성 및 파라미터 정보 문제를 해결하기 위해.
• 실시간 위상 측정값을 이용해 네트워크 어드미ittance 행렬 추정치를 지속적으로 업데이트하는 온라인 순환 식별 프레임워크를 개발하기 위해.
• 최적 전압 자극 설계를 통한 능동적 데이터 수집 전략을 통합하여 수렴 속도와 추정 정확도를 향상시키기 위해.
• 선로 차단 또는 네트워크 재구성과 같은 측정 노이즈 및 구조적 변화 상황에서도 강인성을 확보하기 위해.
• 반경형 및 메쉬형 분포망 모두에 적용 가능한 확장 가능하고 대칭 어드미ittance 제약 조건을 갖춘 방법을 제공하기 위해.

제안 방법

• 동기화된 전압 및 전류 위상 측정값에서 어드미ittance 행렬을 순환적으로 추정하기 위해 순환 최소 제곱(RLS) 알고리즘을 사용한다.
• 과도한 파rameter화를 방지하고 물리적 일관성을 확보하기 위해 어드미ittance 행렬의 대칭성을 사전에 강제한다.
• 발전기 버스에서의 최적 전압 설정값을 계산하기 위해 설계 실험(DoE) 절차를 활용한다. 이는 각 시간 단계에서 정보의 양을 최대화하기 위함이다.
• DoE 수식은 어드미ittance 행렬의 현재 추정치를 사용하여 피셔 정보 증가를 예측하고 전압 자극을 안내한다.
• 알고리즘은 온라인 방식으로 구현되어 재초기화 없이도 네트워크 구성 변화에 신속히 적응할 수 있다.
• 성능 평가를 위해 배치 방법(OAL, 적응형 Lasso) 및 표준 RLS와의 비교를 실시한다.

실험 결과

연구 질문

• RQ1 최적 전압 자극을 통한 온라인 순환 추정이 교류 분포망 식별에서 수렴 속도와 정확도를 향상시키는가?
• RQ2 선로 차단과 같은 동적 네트워크 변화 상황에서 제안된 DoE 기반 방법은 어떻게 성능을 발휘하는가?
• RQ3 DoE 절차는 표준 RLS 및 배치 방법 대비 추정 오차를 얼마나 줄이는가?
• RQ4 실제 분포망 시나리오에서 전압 측정 노이즈에 대해 이 방법은 얼마나 강인한가?
• RQ5 진짜 어드미ittance 대비 추정된 어드미ittance를 DoE 수식에 사용할 경우 성능 저하가 심각한가?

주요 결과

• DoE 기반 방법은 그리드 T에서 50회 반복 후 $ m_F = 1.34 \times 10^{-2} $ 및 $ m_{\max} = 0.55 \times 10^{-2} $ 의 최저 오차 지표를 기록하여 OLS, Adaptive Lasso 및 RLS1을 모두 능가했다.
• 시뮬레이션된 선로 차단이 $ t = 100 $ 에 발생한 후, DoE는 $ t = 107 $ 에서 $ y_{7,10} $ 를 0.48로 추정했고, RLS1은 2.55로 추정하여 구성 변화에 더 빠르게 적응하는 것으로 나타났다.
• 그리드 T에서 50회 반복 후 DoE 방법은 RLS1 대비 60% 이상, OLS 대비 80% 이상의 추정 오차 감소를 기록했다.
• 매우 높은 수준의 전압 노이즈(현재 노이즈 수준과 유사) 조건에서도 DoE는 타 방법보다 뛰어난 강인성을 유지하며 만족스러운 성능을 유지했다.
• 진짜 $ Y $ 대신 추정된 $ \hat{Y}_{t-1} $ 를 DoE 수식에 사용했을 때 성능 저하가 미미하여 실용적 타당성을 입증했다.
• 최대 추정 오차는 가장 작은 어드미ittance 원소보다 두 개의 자리수 작아, 추정된 행렬에서 네트워크 구성 추론을 간단하고 신뢰성 있게 수행할 수 있었다.