技術的概要：機械学習を用いたインバータ支配型電力系統の故障耐過渡確率の予測

問題定義

電力系統が 100% 再生可能エネルギー源（RES）への移行を進めるにつれ、慣性力の低下、分散型発電、および変動する発電量に特徴づけられる重大な安定性課題に直面しています。これらのシステムは電力電子インバータに大きく依存しており、従来の同期発電機からグリッド形成型インバータへの移行が必要とされています。将来の系統の運用と計画における重要な課題は、膨大な数の故障シナリオを含む包括的なリスク評価の必要性です。

従来の動的シミュレーションは精度が高いものの、計算コストが非常に高くなります。確率的安定性解析のコストは、バス数に対して少なくとも二次関数的に増大するため、大規模な実世界の系統におけるすべての関連構成を分析することは非現実的です。その結果、系統運用者はしばしば保守的な仮定に頼るか、限られた数の故障シナリオのみを分析しており、重要な故障モードを見逃す可能性があります。本論文は、網羅的な動的シミュレーションの prohibitively 高い計算コストを伴わずに、故障耐過渡確率（$p_{frt}$）を予測する効率的な手法の必要性に焦点を当てています。ここで、故障耐過渡確率とは、故障除去後に系統構成要素が運用上の耐過渡曲線内に留まる確率を指します。

手法

1. データセット生成

動的安定性に関するトレーニングデータの不足を克服するため、著者らは大規模な合成電力系統の新しいデータセットを生成しました。

• 系統トポロジー: ランダム成長アルゴリズムを用いて 1,000 の合成電力系統を生成し、サイズは 70 から 80 バスまで変化させました。このサイズは、トポロジカルな効果を捉えつつ、計算的に実行可能であるように選択されました。
• コンポーネントモデリング: 系統は 100% RES 統合をモデル化しています。
  • グリッド形成型インバータ: 「正規形（normal form）」（技術に依存しない動的モデル）を用いてモデル化され、仮想慣性レベルの異なる 3 つの異なるパラメータセット（NF1, NF2, NF3）で表現されます。
  • グリッド追従型インバータ: PQ バスとしてモデル化されます。
  • 送電線: ドナ（dena）基準に基づいたドイツの 380 kV 送電システムのパラメータを用いた Pi モデルでモデル化されます。
• 故障シミュレーション: 各系統の各バスに対して、代数的制約が満たされることを保証するために、ソボル列（準モンテカルロサンプリング）と環境強制アルゴリズムを用いて 1,000 の除去後状態を生成しました。
• ターゲット計算: システムの過渡現象が定義された電圧および周波数の耐過渡曲線内に留まるかどうかを判断するために動的シミュレーションを実行しました。ターゲット変数 $p_{frt}$ は、各バスについて調査された状態の総数に対する成功した耐過渡の数の比率として計算されました。
• 検証セット: グリッド形成機能を追加し、更新された線路パラメータを適用した更新版の IEEE 96-RTS 試験系統を、ホールドアウトテストセットとして使用し、汎化性能を評価しました。

2. 機械学習アプローチ

本研究では、$p_{frt}$ を予測するために 2 種類の機械学習（ML）モデルを比較しました。

• 非グラフ ML: グリッドのグローバルなトポロジーを考慮せず、ノード特徴量（例えば、有効/無効電力、ローカル線路パラメータ、バスタイプ）のみに依存する手法です。テストされたモデルには、線形回帰（linreg）と勾配ブースティング木（GBT）が含まれます。
• グラフニューラルネットワーク（GNN）: 完全なグラフ構造（バス特徴量、線路特徴量、トポロジー）を入力とするモデルです。具体的には、標準的なグラフ畳み込みネットワーク（GCN）よりも大きな近傍から情報を集約する**トポロジカル適応グラフ（TAG）**畳み込み層を利用しました。

3. 学習と評価

• 特徴量: 入力特徴量には、ノードの電力セットポイント、線路のコンダクタンス/サセプタンスの総和、バスカテゴリ（スラック、負荷、グリッド形成）、および正規形パラメータの実部 $R(B_x)$ が含まれました。
• 指標: 性能は決定係数（$R^2$）とスピアマンの順位相関係数（$\rho$）を用いて評価されました。
• 正則化: 過学習に対処し、汎化性能を向上させるため、ドロップアウトを用いた正則化版の TAG モデル（TAGreg）をテストしました。

主要な結果

1. 動的特性とトポロジー

シミュレーションの数値解析により、安定性の結果は高度に非線形であることが明らかになりました。同程度の故障規模（電力ミスマッチ $\Delta P, \Delta Q$）を持つシナリオでも、安定性の結果は分岐しました。重要なのは、$p_{frt}$ が局所的なコンポーネントパラメータだけでなく、系統トポロジーに大きく影響を受けることを本研究が実証したことです。同一の機械パラメータを持つバスであっても、ネットワーク内の位置に応じて安定性確率は大きく異なります。

2. 合成系統における ML の性能

合成データセットにおいて、GNN ベースの TAG モデルは非グラフ手法を大幅に上回りました。

• TAG: $R^2$ で 90.36%、スピアマン相関（$\rho$）で 95.05% を達成しました。
• 非グラフモデル: GBT と線形回帰は、$R^2$ 値が 62〜63% 程度でした。
  これは、インバータ支配型系統における動的安定性を正確に予測するには、トポロジカルな情報を組み込むことが不可欠であることを確認しています。

3. IEEE 試験系統への汎化

モデルは、トレーニングデータに含まれておらず、異なる構造的特性を持つ IEEE 96-RTS 系統でテストされました。

• 初期汎化: 標準的な TAG モデルは、合成データと比較して IEEE テストケースでの性能が低下し（$R^2 \approx 60.46\%$）、分布のシフトに対する困難を示しました。
• 正則化モデル: 正則化された TAG モデル（TAGreg）は汎化性能を向上させ、IEEE テストケースにおいて $R^2$ で 77.47%、$\rho$ で 87.32% を達成しました。
• 比較: GBT は IEEE テストケースにおいて正則化されていない TAG よりもわずかに優れていましたが、正則化された GNN（TAGreg）は合成データセットと IEEE データセットの両方で GBT を上回りました。これは、適切な正則化を用いることで、GNN は因果関係がありトポロジーに依存しないパターンを学習し、未見の系統構造に汎化できることを示唆しています。

意義と主張

本論文は、機械学習、特にグラフニューラルネットワークが、将来の電力系統における確率的動的安定性解析の計算ボトルネックを克服する viable な道筋を提供すると主張しています。

• 効率性: ML モデルは、ほぼ瞬時に高い精度で故障耐過渡確率を予測でき、動的シミュレーションでは非現実的となる数千の構成の分析を可能にします。
• 汎化性: 合成データで学習した GNN が実世界のテストケース（IEEE 96-RTS）に汎化できる能力は、これらのモデルが、すべての新しい構成に対して網羅的なシミュレーションを必要とせずに、実際の電力系統における確率的安定性を研究するために展開可能であることを示唆しています。
• 運用への影響: 広範な確率的シナリオにわたって故障しやすい重要なコンポーネントを特定することにより、これらのツールは系統運用者が保守的で静的な計画から脱却するのを支援できます。これにより、系統拡張計画における動的効果の早期統合が可能となり、高価な補償措置を回避し、インバータ支配型システム全体の信頼性を向上させる可能性があります。

著者らは、本研究が合成データを使用しているものの、IEEE 試験ケースへの成功した汎化は、現在計算的に非現実的な確率的安定性評価が必要な実規模の電力系統にこれらの手法を適用する可能性を浮き彫りにしていると強調しています。