物理情報ニューラルネットワークを用いたグリッド形成インバーターのリアルタイム制御:物理法則をディープラーニングアーキテクチャに埋め込む
Physics-Informed Neural Networks for Real-Time Control of Grid-Forming Inverters: Embedding Physical System Laws into Deep Learning Architectures
再生可能エネルギーの普及に伴うインバーター支配型マイクログリッドにおける電圧・周波数安定性の維持が課題となる中、本論文では物理情報ニューラルネットワーク(PINN)ベースの監視フレームワークを提案し、リアルタイムグリッド形成インバーター制御を実現する。このアプローチは、スイング方程式、キルヒホッフの法則に基づく電気的制約、安定性考慮型目的関数をニューラルネットワークの最適化プロセスに直接組み込むことで、物理的一貫性、堅牢性、運用信頼性を向上させる。コントローラーはオフラインで学習され、NVIDIA Jetson AGX Xavier組み込みプラットフォーム上で低遅延のオンライン推論に展開される。シミュレーションとハードウェア・イン・ザ・ループ検証の結果、従来のドロップ制御、VSM、純粋なデータ駆動型ニューラルネットワーク制御と比較して、過渡安定性の向上、周波数偏差の低減、電圧調整の改善、および優れた堅牢性が実証された。平均推論遅延は約0.7ミリ秒を達成し、再生可能エネルギーの断続性、負荷変動、弱グリッド条件下でも安定運用を維持した。この結果は、物理情報機械学習がインバーター支配型マイクログリッドおよびインテリジェント再生可能エネルギーシステムの監視型リアルタイム制御に貢献する可能性を示している。
- 物理情報ニューラルネットワーク(PINN)を用いたグリッド形成インバーターのリアルタイム制御手法を提案した論文が公開された
本論文は、物理情報ニューラルネットワーク(PINN)を用いたグリッド形成インバーターのリアルタイム制御手法を提案し、NVIDIA Jetson AGX Xavier上で約0.7ミリ秒の推論遅延を達成している。マイクログリッドの過渡安定性・周波数偏差・電圧調整において従来手法を上回る結果を示しており、再生可能エネルギー比率が高まる電力系統において、AIによるリアルタイム制御が実用域に入りつつあることを示唆する点が注目に値する。研究段階とはいえ、PINNによる物理一貫性確保とエッジ推論の組み合わせは、今後のスマートグリッド制御ソリューションの方向性を占う上で重要なシグナルである。