[논문 리뷰] Maximum Marginal Likelihood Estimation of Phase Connections in Power Distribution Systems

Wenyu Wang, Nanpeng Yu|arXiv (Cornell University)|2019. 02. 26.

Power System Optimization and Stability인용 수 7

한 줄 요약

이 논문은 스마트 미터 데이터를 활용하여 배전 시스템의 상 연결 식별을 위한 최대 우도 추정법 기반 방법(MMLE)을 제안한다. 삼상 피드백 흐름 다양체를 선형화함으로써, 물리적으로 해석 가능한 MMLE 문제로 상 식별 문제를 재구성하고, 이는 이진 최소 제곱 하위문제를 통해 해결된다. 복잡한 루프형 및 메쉬형 네트워크에서 96% 이상의 정확도를 달성하며, 측정 부족 및 모델 부정확성 상황에서도 기존의 데이터 기반 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Accurate phase connectivity information is essential for advanced monitoring and control applications in power distribution systems. The existing data-driven approaches for phase identification lack precise physical interpretation and theoretical performance guarantee. Their performance generally deteriorates as the complexity of the network, the number of phase connections, and the level of load balance increase. In this paper, by linearizing the three-phase power flow manifold, we develop a physical model, which links the phase connections to the smart meter measurements. The phase identification problem is first formulated as a maximum likelihood estimation problem and then reformulated as a maximum marginal likelihood estimation problem. We prove that the correct phase connection achieves the highest log likelihood values for both problems. An efficient solution method is proposed by decomposing the original problem into subproblems with a binary least-squares formulation. The numerical tests on a comprehensive set of distribution circuits show that our proposed method yields very high accuracy on both radial and meshed distribution circuits with a combination of single-phase, two-phase, and three-phase loads. The proposed algorithm is robust with respect to inaccurate feeder models and incomplete measurements. It also outperforms the existing methods on complex circuits.

연구 동기 및 목표

• 기존의 데이터 기반 상 식별 방법에서 이론적 보장과 물리적 해석 가능성의 부족을 해결한다.
• 혼합된 단상, 이상, 삼상 부하를 포함한 복잡한 네트워크에서 상 식별 정확도를 향상시키며, 특히 메쉬형 구성에서 유의미한 성능 향상을 이룬다.
• 기존 접근 방식에서 성능 저하를 초래하는 스마트 미터 커버리지 부족 및 잘못된 피더 모델에 대해 강건성을 확보한다.
• 실제 측정 및 모델링 불확실성 상황에서도 높은 정확도를 유지하면서도 계산 효율성이 높은 알고리즘을 개발한다.
• 정확한 상 연결이 최대 우도 및 최대 마진 우도 추정의 전역 최적해가 되도록 하는 이론적 기반 프레임워크를 제공한다.

제안 방법

• 삼상 피드백 흐름 다원체를 선형화하여 상 연결과 스마트 미터 측정치 사이의 물리적 모델을 유도한다.
• 상 식별 문제를 최대 우도 추정(MLE) 문제로 재구성하고, 정확한 상 연결이 로그 우도를 최대화함을 증명한다.
• 해결 가능성 향상을 위해 MLE 문제를 최대 마진 우도 추정(MMLE) 문제로 재구성하며, 여전히 정확한 연결이 가장 높은 마진 로그 우도를 제공한다.
• 투표 및 타겟 전용 전략을 사용하여 MMLE 문제를 하위문제로 분해하고, 이진 최소 제곱 최적화를 통해 효율적으로 해결한다.
• 각 하위문제를 등가의 이진 최소 제곱 형식으로 변환하고, 이진 제약 조건의 볼록 완화를 통해 해의 품질을 유지한다.
• 하위문제 해의 반복 정밀화 및 공통된 해를 통해 전역 상 연결 할당을 결정한다.

실험 결과

연구 질문

• RQ1 데이터 기반 상 식별 방법이 물리적 피드백 흐름 원리에 기반하여 이론적 성능 보장을 확보할 수 있는가?
• RQ2 실제 배전 시스템 조건 하에서 제안된 MMLE 설정이 정확한 상 연결을 전역 최적해로 산출하는가?
• RQ3 혼합된 부하 유형을 포함한 복잡한 메쉬형 배전 네트워크에서 기존의 상관관계 및 군집 기반 접근 방식과 비교해 본다면, 제안된 방법의 성능은 어떠한가?
• RQ4 스마트 미터 커버리지 부족 및 잘못된 피더 모델에 대해 어느 정도 강건한가?
• RQ5 실제 배전 테스트 시스템에서 높은 정확도를 유지하면서도 대규모로 효율적으로 해결할 수 있는가?

주요 결과

• 제안된 MMLE 기반 방법은 0.1% 스마트 미터 측정 정확도로 90일 동안 측정한 37버스 루프형 피더에서 100%의 상 식별 정확도를 달성한다.
• 123버스 루프형 피더에서는 70% 스마트 미터 침습률에서도 96% 이상의 정확도를 유지하며, 10% 침습률에서도 96% 이상의 정확도를 기록하여 기준 방법을 능가한다.
• 복잡한 342버스 메쉬형 피더에서는 0.1% 측정 정확도 클래스에서 96.63%의 정확도를 달성하고, 0.2% 클래스 미터로 90일 동안 측정했을 때는 99.52%의 정확도를 기록하여, 상관관계 및 군집 기반 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 342버스 메쉬형 네트워크에서는 123버스 루프형 시스템보다 측정 부족에 더 강건한 편이었는데, 이는 전압 측정치가 국소 상 결정에 더 민감하기 때문이다.
• 선로 어드미ittance에서 30%의 편차가 발생하는 노이즈가 있는 네트워크 파rameter와 누락된 토폴로지 정보(8개 브랜치 생략) 상황에서도 알고리즘이 효과적으로 기능하여 강력한 강건성을 입증했다.
• MMLE 설정은 이론적으로 정확한 상 연결이 전역 최적해가 되도록 보장하며, 데이터 기반 상 식별의 견고한 기반을 제공한다.