電力潮流制約に基づく配電網のデータ駆動型状態推定法

• 線路パラメータが不完全・不確実な配電網に対し、データ物理融合駆動型の状況認識モデルを提案する論文が発表された。
• 境界付き複数運転条件の線路パラメータ同定モデルを構築し、共分散行列適応進化戦略で線路抵抗・リアクタンスを決定してデータ拡張に利用する手法を採用。
• 物理情報ニューラルネットワーク(PINN)とエキスパート混合(MoE)アーキテクチャを組み合わせ、データ駆動学習と電力潮流物理の制約を統合した状況認識モデルを開発。

現代の電力システムにおけるオンラインセキュリティ監視と予防制御に不可欠な短期電圧安定性(STVS)評価において、既存のデータ駆動型手法は電力網を均質な構造として単純化しがちで、故障後の電圧ダイナミクスにおける異なるバスおよびブランチタイプの役割を区別することが困難である。また、電圧不安定性は局所的な電圧低下と広域的な擾乱伝播の両方に関わる可能性があり、マルチスケール時空間依存性の効果的なモデリングが必要とされる。これらの課題に対処するため、マルチタスクSTVS評価のための関係認識型マルチスケール異種グラフ・トランスフォーマー(MSHGT)が提案された。電力システムは、バスタイプとブランチ関係…

• エッジ特徴強化メッセージパッシングニューラルネットワーク(MPNN)に基づく高速マルチインターフェースTTC評価手法を提案。電力系統をバス運用状態・分岐電気状態・線路稼働状態・対象インターフェースの地域情報を統合した有向グラフとして表現する。
• 線路状態制御メッセージパッシング機構と分岐電気エッジ特徴を組み合わせ、ノード表現でネットワーク接続性と分岐運用状態を同時に捉える。さらにインターフェース認識読み出し層でシステム全体・送信エリア・受信エリアの表現を集約し、インターフェース固有のグラフレベル特徴からTTC回帰を行う。
• IEEE 39バスおよびIEEE 118バスシステムでのケーススタディにより、異なるN-1トポロジシナリオで安定したTTC予測を達成し、トポロジ変化への良好な適応性を実証した。

• 障碍後のマルチソース測定に基づく周波数応答パラメータ同定・モデル検証・緊急負荷遮断を統合した物理・データ融合型フレームワークを提案
• 品質認識型デュアルステージLSTM-PINNがマルチソース測定を融合し、障碍規模とシステム周波数応答(SFR)パラメータのイベント固有初期推定値を提供
• 微分可能なSFR制約・主要応答損失・識別可能性正則化により物理的一貫性とパラメータ識別性を向上

• 配電網の線損失を高精度予測するため、mRMRによる特徴量選択、CNNによる空間相関・トポロジー固有パターン抽出、LSTMによる時間的進化・長期依存性の特徴付け、ベイズ最適化(BO)によるハイパーパラメータ自動調整を組み合わせた時空間特徴量融合ニューラルネットワークを開発した。
• IEEE標準配電テストフィーダーでのケーススタディと最先端機械学習手法との比較により、提案モデルの予測精度と汎化能力の有効性を検証した。