[論文レビュー] Towards Distributed Energy Services: Decentralizing Optimal Power Flow with Machine Learning

Roel Dobbe, Oscar Sondermeijer+4 more|arXiv (Cornell University)|Jun 14, 2018

Optimal Power Flow Distribution被引用数 8

ひとこと要約

本論文は、個々の分散型エネルギー資源（DER）が局所的な測定値のみを用いて、集中型最適潮流（OPF）解を模倣する局所的制御方策を学習できる、データ駆動型で分散型の機械学習フレームワークを提案する。レート歪みフレームワークを活用することで、再構成誤差を最小化する最適な通信リンクを特定し、中央集権的調整や広範な通信インfraストラクチャなしで、ほぼ最適なシステム性能を達成する。

ABSTRACT

The implementation of optimal power flow (OPF) methods to perform voltage and power flow regulation in electric networks is generally believed to require extensive communication. We consider distribution systems with multiple controllable Distributed Energy Resources (DERs) and present a data-driven approach to learn control policies for each DER to reconstruct and mimic the solution to a centralized OPF problem from solely locally available information. Collectively, all local controllers closely match the centralized OPF solution, providing near optimal performance and satisfaction of system constraints. A rate distortion framework enables the analysis of how well the resulting fully decentralized control policies are able to reconstruct the OPF solution. The methodology provides a natural extension to decide what nodes a DER should communicate with to improve the reconstruction of its individual policy. The method is applied on both single- and three-phase test feeder networks using data from real loads and distributed generators, focusing on DERs that do not exhibit inter-temporal dependencies. It provides a framework for Distribution System Operators to efficiently plan and operate the contributions of DERs to achieve Distributed Energy Services in distribution networks.

研究の動機と目的

• 集中型調整や広範な通信インfraストラクチャを必要とせずに、配電網における最適潮流（OPF）を実装する課題に対処すること。
• 各DERが局所的方策を学習する分散型制御フレームワークを構築し、それらが共同で集中型OPF解の性能を再現すること。
• 情報理論を用いて、制御方策の再構成精度を向上させるために、どのDER同士が通信すべきかを指針とすること。
• 高価な通信インfraストラクチャを必要としないため、分散型エネルギーサービス（DES）の実用的でスケーラブルな展開を可能にすること。
• 新たな負荷やDERの追加といったネットワーク変化に応じて、コントローラーを段階的に更新するフレームワークを提供すること。

提案手法

• 歴史的なOPF解をラベルとして用い、局所的な外部変数（例：負荷、発電、電圧）を入力として、各DERで教師あり機械学習モデルを訓練する。
• レート歪みフレームワークを用いて、集中型OPF解を模倣する際の通信コストと再構成誤差のトレードオフを定量化する。
• 最適な制御信号と利用可能な局所変数間の相互情報量を最大化することで、各DERの最適な通信相手を同定する。
• 非線形関係を捉えるために多項式項および相互作用項を含む回帰問題として制御方策学習を定式化する。
• 実世界の負荷および発電データを用いて、単相および三相非平衡配電受電線路の両方に対して手法を適用する。
• 新たな負荷やDERの追加といったネットワーク変化に適応するため、拡張された歴史的データを用いた段階的再訓練を実施する。

実験結果

リサーチクエスチョン

• RQ1 分散型DERコントローラーは、局所的情報のみを用いて、集中型OPF解の性能を共同で再現できるか？
• RQ2 通信コストを削減しつつ再構成誤差を最小化するため、DER間の通信をどのように戦略的に選択すべきか？
• RQ3 局所データのみを用いて、分散型方策が集中型OPF解をどの程度正確に再構成できるかの理論的限界は何か？
• RQ4 ネットワークトポロジー、位置、負荷状態に応じて、コントローラーのパラメータと行動はどのように変化するか？
• RQ5 進化的なネットワーク状態変化に耐えられるように、フレームワークは段階的に更新可能か？

主な発見

• 分散型機械学習アプローチは、単相および三相配電線路の両方でほぼ最適な性能を達成し、損失最小化および電圧制御の観点で集中型OPF解に非常に近い結果を示した。
• レート歪みフレームワークは再構成誤差の理論的下限を提供し、DER間の最適な通信リンクの同定を可能にした。
• 変換器B（変電所に近い位置）は、上流の電力流が高いためOPF解において最大出力で動作するが、変換器A（受電線路の末端付近）は局所的および上流の損失を低減するために無効電力を供給する。
• 回帰係数の結果、変換器Aの制御方策は自らの電力注入および電圧大きさに強く依存している一方、変換器Bの制御方策は自らおよび隣接ノードの変数に強く影響を受ける。
• ヒューリスティックや万能的ルールに依存せず、ネットワーク固有のダイナミクスに自然に適応する有効なコントローラー設計が可能になった。
• 拡張されたデータを用いた段階的再訓練により、完全に再訓練をやり直さずに、新たな負荷やDERの追加といったネットワーク変化に適応できるようになった。