[논문 리뷰] Low-Voltage Distribution Network Impedances Identification Based on Smart Meter Data

Sergey A. Iakovlev, Robin J. Evans외 1명|arXiv (Cornell University)|2018. 09. 18.

Electricity Theft Detection Techniques인용 수 7

한 줄 요약

이 논문은 새로운 BCI(Batch Correlation-based Identification) 알고리즘을 사용하여 실시간 저압 배전망 임피던스 식별을 위한 탈중앙화되고 순환적인 스마트 미터 데이터 기반 방법을 제안한다. 비볼록 최적화 문제를 반복적으로 해결함으로써 고정밀 측정 조건 하에서 1% 이내의 추정 오차를 달성하며, 고역률 변화 및 장거리 선로 상황에서도 뛰어난 성능 향상을 이룬다.

ABSTRACT

Under conditions of high penetration of renewables, the low-voltage (LV) distribution network needs to be carefully managed. In such a scenario, an accurate real-time low-voltage power network model is an important prerequisite, which opens up the possibility for application of many advanced network control and optimisation methods thus providing improved power flow balancing, reduced maintenance costs, and enhanced reliability and security of a grid. Smart meters serve as a source of information in LV networks and allow for accurate measurements at almost every node, which makes it advantageous to use data driven methods. In this paper, we formulate a non-linear and non-convex problem, solve it efficiently, and propose a number of fully smart meter data driven methods for line parameters estimation. Our algorithms are fast, recursive in data, scale linearly with the number of nodes, and can be executed in a decentralised manner by running small algorithms inside each smart meter. The performance of these algorithms is demonstrated for different measurement accuracy scenarios through simulations.

연구 동기 및 목표

• 재생 가능 에너지 비중이 높은 환경에서 정확하고 실시간적인 저압(LV) 배전망 모델이 필수적인 요구사항을 해결한다.
• 기존 방법이 PMU에 의존하거나 네트워크의 구조 및 임피던스를 사전에 알게 되어 있다는 가정을 하는 한계를 극복한다.
• 단지 스마트 미터 측정 데이터만을 사용하여 완전히 데이터 기반이며 탈중앙화되고 확장 가능한 임피던스 식별 방법을 개발한다.
• 동기화된 위상 측정이 없는 환경에서도 고장 탐지, 전기 도난 위치 규명, 그리드 상태 추정 등의 실용적 응용을 가능하게 한다.
• 저압 그리드 모델링에서 발생하는 비볼록 최적화 문제의 클래스에 대해 이론적으로 탄탄한 해결책을 제공한다.

제안 방법

• 각 노드의 전압 및 전류의 페이저 표현을 사용하여 순환적인 단상 체인 피더 모델을 수립한다.
• 스마트 미터 데이터를 이용해 선로 임피던스를 반복적으로 추정하는 배치 상관 기반 식별(BCI) 알고리즘을 개발한다.
• 낮은 조건 수치와 높은 측정 노이즈 조건에서 성능을 향상시키기 위해 정규화된 변형(LBCI)을 도입한다.
• 각 노드가 국지적 측정 데이터를 처리하고 필요한 정보만을 교환하는 탈중앙화 구현 방식을 채택한다.
• 특정 조건 하에서 전역 해에 수렴함이 증명된 반복 최소제곱 추정을 통해 비볼록 최적화 문제를 해결한다.
• 실시간 분산 계산이 가능하게 하기 위해 X/R 비율 지식을 사전 정보로 통합한다.

실험 결과

연구 질문

• RQ1 PMU 동기화 없이도 스마트 미터 데이터만으로 저압 배전망의 선로 임피던스를 정확하게 식별할 수 있는가?
• RQ2 측정 노이즈 및 역률 조건이 다양할 경우 제안된 BCI 알고리즘의 성능이 기존 방법(LBCI-old 등)과 비교해 어떻게 되는가?
• RQ3 X/R 비율 지식과 자이오반 매트릭스의 조건 수치가 추정 정확도에 미치는 영향은 무엇인가?
• RQ4 알고리즘이 스마트 미터에 실시간 구현 가능한 탈중앙화되고 확장 가능하며 순환적인 방식으로 구현될 수 있는가?
• RQ5 장거리 송전선로 또는 높은 역률 변화와 같은 도전적인 상황에서 알고리즘의 성능은 어떠한가?

주요 결과

• 측정 정밀도가 0.1% Full Scale이고 X/R 비율을 알고 있을 경우 BCI 알고리즘이 상대 임피던스 추정 오차를 1% 이내로 유지한다(‖z−ẑ‖₂/‖z‖₂ < 1%).
• 0.1% 측정 오차 조건에서 X/R 비율을 모를 경우 BCI는 LBCI보다 추정 오차를 4배 낮춘다. 특히 고역률 변화 조건에서 성능 향상이 뚜렷하다.
• 500m의 장거리 선로에서 1% 측정 오차일 경우 BCI는 LBCI-old 대비 추정 오차를 최대 50%까지 감소시키며, 0.1% 오차일 경우 10배 향상된다.
• 자이오반 매트릭스의 조건 수치(κ(Jn))는 BCI 성능에 강력한 영향을 미친다: 낮은 조건 수치일수록 정확도가 현저히 향상되며, 특히 X/R 비율을 알고 있을 경우 더욱 두드러진다.
• 정규화 항을 추가함으로써 BCI는 저변동 조건에서도 LBCI와 동등하거나 略 뛰어난 정확도를 확보할 수 있으며, 강인성을 향상시킨다.
• 제안된 방법은 완전히 탈중앙화되어 있으며 노드 수에 따라 선형적으로 확장 가능하며, 계산적으로 효율적이므로 실시간 대규모 저압 그리드 모니터링에 적합하다.