[論文レビュー] Hycon2 Benchmark: Power Network System

Stefano Riverso, Giancarlo Ferrari‐Trecate|arXiv (Cornell University)|Jul 9, 2012

Frequency Control in Power Systems参考文献 1被引用数 26

ひとこと要約

本稿は、電力網システムのためのHycon2ベンチマークを紹介し、3つの異なる相互接続構造を有する状況において、集中型モデル予測制御（MPC）フレームワークを提案することで、自動発電制御（AGC）層を設計する。正確なシステム別離散化スキームを用いることで、低周波数偏差および tie-line 力率のオシレートを実現し、性能指標 η ≈ 0.025–0.051 および Φ ≈ 0.0028–0.0063 を達成する。これは、電力系統における分散型および分散制御手法の性能ベンチマークとして機能する。

ABSTRACT

As a benchmark exercise for testing software and methods developed in Hycon2 for decentralized and distributed control, we address the problem of designing the Automatic Generation Control (AGC) layer in power network systems. In particular, we present three different scenarios and discuss performance levels that can be reached using Centralized Model Predictive Control (MPC). These results can be used as a milestone for comparing the performance of alternative control schemes. Matlab software for simulating the scenarios is also provided in an accompanying file.

研究の動機と目的

• 電力網システムにおける分散型および分散制御手法を評価するための標準化されたベンチマークを確立すること。
• 周波数を定格値に維持し、tie-line 力率の交換を最小限に抑える自動発電制御（AGC）層を設計すること。
• 代替制御方式との比較のための、集中型モデル予測制御（MPC）を用いた性能ベースラインを提供すること。
• η（周波数偏差）およびΦ（tie-line 力率オシレート）という定量的指標を用いて、性能評価を可能にすること。
• 全ネットワークに依存しない局所的制御器設計を可能にすることで、新規エリアのプラグアンドプレイ統合を支援すること。

提案手法

• 各発電エリアに対して、状態 Δθi, Δωi, ΔPmi, ΔPvi および入力 ΔPrefi および ΔPLi を有する連続時間線形時不変（LTI）モデルを定式化する。
• 2種類の離散化スキームを適用する：(D) 全システムの正確な離散化および (Dss) 入力分解構造を保持するシステム別離散化。
• 3つのバリエーションを持つ集中型MPCを実装する：MPCfull（全コスト行列）、MPCdiag（対角行列）、MPCzero（ゼロ端末制約）。
• 1秒のサンプリング時間を使用し、各タイムステップで最適化問題を解き、次の区間において制御入力を適用する。
• 負荷の不具合（例：t=5秒で ΔPL = +0.15）をシミュレートし、η および Φ の指標を用いて性能を評価する。
• すべてのシナリオおよびスキームについて、システム行列、制御器パラメータ、負荷プロファイル、およびシミュレーション結果を含むMATLABおよびSimulinkファイルを提供する。

実験結果

リサーチクエスチョン

• RQ1 異なる相互接続構造を持つ3つの異なる電力網トポロジーにおいて、集中型MPCが達成可能な性能水準は何か？
• RQ2 異なる離散化スキーム（D 対 Dss）は、AGC制御における集中型MPCの性能にどのように影響を与えるか？
• RQ3 集中型MPCの電力網システムにおける η（周波数偏差）および Φ（tie-line 力率オシレート）のベースライン値は何か？
• RQ4 分散制御方式は、η および Φ の観点で集中型MPCの性能をどの程度再現できるか？
• RQ5 全ネットワークに依存しない局所的制御器設計は、安定性および制約満足を保持しながらどの程度可能か？

主な発見

• シナリオ1では、集中型MPCが D および Dss 離散化スキームの両方を用いて η = 0.0249 および Φ = 0.0030 を達成した。
• シナリオ2では、性能指標は η = 0.0346 および Φ = 0.0063 であり、D および Dss の間で最小限の差異が観察された。
• シナリオ3では、ネットワークの複雑性が増加したため、性能劣化が顕著に現れ、η = 0.0510 および Φ = 0.0060 を達成した。
• MPCzeroバージョンは、Φ 値が 0.0028–0.0058 と最低となり、tie-line 力率のオシレート抑制が効果的であることが示された。
• すべてのMPCバージョンが、D および Dss スキームの間でほぼ同一の性能を示しており、離散化手法の選択に対して高いロバスト性を示した。
• ベンチマークは一貫した性能ベースラインを提供しており、η の範囲は 0.0249～0.0511、Φ は 0.0028～0.0063 であり、分散制御手法の公平な比較を可能にした。