[論文レビュー] Identification of AC Networks via Online Learning

Emanuele Fabbiani, Pulkit Nahata+2 more|arXiv (Cornell University)|Mar 13, 2020

Power System Optimization and Stability参考文献 29被引用数 4

ひとこと要約

本稿では、同期電圧・電流フェーザ測定値を用いて、交流（AC）配電網のネットワークアドミittance行列をリアルタイムで推定するオンライン再帰的同定手法を提案する。トポロジーと線路パラメータの両方を捉える。設計実験（DoE）手順を統合して電圧励起を最適化することで、収束速度が向上し、特にトポロジー変更時において、バッチ法および標準再帰的手法を上回る精度が得られる。実際の配電グリッドを用いた数値的検証でその有効性が確認された。

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 However, reliable information concerning the system topology and parameters may be missing or outdated for temporally varying electric distribution networks.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.

研究の動機と目的

• 動的かつ再構成可能な配電網における、信頼性が低いか古くなったネットワークトポロジーやパラメータ情報の課題に対処すること。
• リアルタイムフェーザ測定値を用いて、ネットワークアドミタンス行列の推定値を継続的に更新するオンラインで再帰的な同定フレームワークを開発すること。
• 最適電圧励起設計による能動的データ収集戦略を組み込むことで、収束速度と推定精度を向上させること。
• 線路遮断やネットワーク再構成などの構造的変更や測定ノイズに対してもロバスト性を確保すること。
• 径路型およびメッシュ型両方の配電網に適用可能な、スケーラブルで対称アドミタンス制約付きの手法を提供すること。

提案手法

• 同期電圧および電流フェーザ測定値から、再帰的最小二乗法（RLS）を用いてアドミタンス行列を再帰的に推定する。
• 過剰パrameter化を回避し、物理的整合性を保つために、事前にアドミタンス行列の対称性を強制する。
• 発電機バスにおける最適な電圧セットポイントを計算するための設計実験（DoE）手順を採用し、各時刻における情報量を最大化する。
• DoEの定式化では、現在のアドミタンス行列推定値を用いてフィッシャー情報量の増加を予測し、電圧励起を指針とする。
• アルゴリズムはオンラインで実装されており、再初期化を伴わず、トポロジー変更に迅速に適応可能である。
• 性能評価のため、バッチ法（OLS、アダプティブ・ラasso）および標準RLSと比較する。

実験結果

リサーチクエスチョン

• RQ1 最適電圧励起を組み込んだオンライン再帰的推定は、AC配電網同定における収束速度と精度を向上させ得るか？
• RQ2 線路遮断などの動的ネットワーク変更下で、提案されたDoEベースの手法はどのように性能を示すか？
• RQ3 標準RLSおよびバッチ法と比較して、DoE手順は推定誤差をどの程度低減するか？
• RQ4 現実の配電システムシナリオにおける電圧測定ノイズに対して、この手法はどの程度ロバストか？
• RQ5 真のアドミタンス $ Y $ の代わりに推定された $ \hat{Y}_{t-1} $ をDoE定式化に用いる場合、性能に著しい劣化が生じるか？

主な発見

• DoEベースの手法は、50反復後のグリッドTにおいて、$ m_F = 1.34 \times 10^{-2} $ および $ m_{\max} = 0.55 \times 10^{-2} $ という最小の誤差指標を達成し、OLS、アダプティブ・ラasso、RLS1を上回った。
• $ t = 100 $ にシミュレーテッド線路遮断が発生した後、DoEは $ t = 107 $ でアドミタンス $ y_{7,10} $ を 0.48 と推定したのに対し、RLS1は 2.55 と推定し、トポロジー変更への適応がはるかに速かった。
• グリッドTにおいて50反復後に、DoEはRLS1と比較して推定誤差を60%以上、OLSと比較して80%以上低減した。
• 電圧ノイズが顕著（電流ノイズと同等）な状況下でも、DoEは妥当な性能を維持し、他の手法よりも優れたロバスト性を示した。
• 真の $ Y $ の代わりに推定された $ \hat{Y}_{t-1} $ をDoE定式化に用いても、性能劣化は僅かに抑えられ、実用的妥当性が裏付けられた。
• 最大推定誤差は、最小のアドミタンス要素よりも2桁小さいため、推定行列からトポロジーの同定は容易かつ信頼性が保証された。