風力タービンのインピーダンスモデリングのための物理情報付き深層学習手法
A Physics-Informed Deep Learning Method for Wind Turbine Impedance Modeling
再生可能エネルギーの高普及率を持つ電力システムの小信号安定性評価には、風力タービン(WT)の正確なインピーダンスモデリングが不可欠である。既存の手法は、製造業者の非公開パラメータを必要とする物理ベースの「ホワイトボックス」モデルと、物理的解釈性に欠け、未知の動作条件下での汎化性能が低いデータ駆動型の「ブラックボックス」モデルとのトレードオフに直面している。このギャップを埋めるため、本論文では、単純化された物理インピーダンスブランチと双方向長短期記憶(Bi-LSTM)ネットワークを新しい並列アーキテクチャで統合したグレーボックスフレームワーク「Physics-Informed Hybrid Model(PIHM)」を提案する。制約付き位相誤差最小化法により体系的にパラメータ化された物理ブランチは、支配的なベースラインダイナミクスを捉え、学習タスクを分離することで、Bi-LSTMが複雑な非線形残差に専念できるようにする。このフレームワークは、誘導発電機(DFIG)風力ファームの高忠実度シミュレーションプラットフォームで検証された。定量的な結果は、PIHMが未知のテストデータで平均決定係数(R2)0.989、平均二乗誤差(MSE)1.24×10^-4を達成し、4つの異なる風速条件下で汎化する、滑らかで物理的に一貫したインピーダンスプロファイルを生成することを示している。これらの結果は、PIHMを最新の風力発電システムのインピーダンスベースの安定性分析のための信頼性の高いパラメータフリーツールとして確立する。
- Physics-Informed Hybrid Model(PIHM)は、物理ベースのインピーダンスブランチとBi-LSTMネットワークを並列統合したグレーボックスフレームワークで、DFIG風力ファームのシミュレーションにおいて未知テストデータで平均R2=0.989、MSE=1.24×10^-4を達成した。
- 提案手法は4つの異なる風速条件下で汎化性能を示し、物理的に一貫した滑らかなインピーダンスプロファイルを生成する。
本論文は、風力タービンのインピーダンスモデリングにおける新たなグレーボックス手法(PIHM)を提案しており、再生可能エネルギーが高普及した電力系統の安定性評価に直接貢献する。投資家視点では、風力発電の系統連系に伴う安定性リスクを低コスト・高精度で評価できる技術として、系統運用者や風力発電事業者の運用効率向上・コスト削減につながる可能性があり、電力系統向けシミュレーション・解析ツール市場での競争力強化に寄与しうる点が注目される。