データ物理融合駆動型配電網状況認識モデルによる不完全情報下でのパラメータ同定と状況認識
Parameter Identification and Situation Awareness in Distribution Networks Under Incomplete Information Driven by Data-Physical Fusion
本論文は、線路パラメータなどの情報が欠落しがちな配電網において、データ物理融合駆動型の状況認識モデルを提案する。線路パラメータの不完全性と不確実性に対処するため、境界付き複数運転条件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を用いて線路抵抗とリアクタンスを決定し、データ拡張に利用する。次に、物理情報ニューラルネットワークとエキスパート混合アーキテクチャを組み合わせた配電網状況認識モデルを開発する。これにより、データ駆動学習と物理的制約を統合し、深層学習の知覚能力を維持しつつ、電力潮流物理によるモデル誘導を行う。IEEE 33バスシステムと中国の実際の配電エリアの運用データを用いてモデルを検証した結果、提案モデルは比較手法よりも優れており、実際の配電エリアにおける複数の状態変数を効果的に追跡できることが示された。
- 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。
- IEEE 33バスシステムおよび中国の実配電エリアの運用データで検証し、比較手法を上回る性能と複数状態変数の追従性を確認。
配電網の状態把握は、再エネ大量導入やEV普及で系統運用が難しくなるほど価値が高まる領域。本論文は線路パラメータ欠落という現実的な課題に対し、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)を組み合わせ、IEEE 33バスに加えて中国の実配電エリアの運用データで検証している点が実用性の証左として注目される。データ拡張にメタヒューリスティック(共分散行列適応進化戦略)を使う構成は、系統運用ソフト・配電自動化(DA)ベンダーや送配電事業者のDX投資に直結し得る。ただし学術論文段階であり、製品化・導入主体・収益化の道筋は示されておらず、投資判断にはなお時間軸の長さを要する点に留意。