A Data-Driven Optimal Control Architecture for Grid-Connected Power Converters

この論文は、複雑で変動する電力網の特性を測定データから直接学習し、PID 制御器に依存する従来の手法の限界を克服する「DeePConverter」と呼ばれるデータ駆動型最適制御アーキテクチャを提案し、高忠実度シミュレーションおよびハードウェアインザループ試験によってその有効性を検証したものである。

要約

電力の「賢い運転手」：データ駆動型 DeePConverter の物語

この論文は、現代の電力システムを支える重要な装置である**「電力変換器（パワーコンバータ）」**を、より賢く、安全に、そして柔軟に動かすための新しい制御技術について書かれています。

まるで、古いマニュアルで運転していた車を、**「経験則ではなく、リアルタイムのデータから学習する自動運転システム」**に進化させたような話です。

以下に、専門用語を排し、日常の例えを使って解説します。

---

1. 従来の問題点：「完璧な地図」がないと運転できない？

【従来のやり方】
昔から使われている電力変換器は、PID 制御という「定型的なルール」で動いています。
これは、**「事前に完璧な地図（電力網のモデル）を用意し、その通りに運転する」**ようなものです。

• 問題点: 実際の道路（電力網）は、天候や工事、渋滞（負荷の変化や故障）によって刻一刻と変わります。しかし、運転手は「昔の地図」しか持っていないため、道路が急に変わると、車が揺れたり、最悪の場合、事故（システム不安定）を起こしてしまいます。
• 現状: 道路が変わるたびに、運転手はマニュアルを修正して再調整する必要がありますが、これでは追いつきません。

2. 新しい解決策：「DeePConverter（ディープ・コンバータ）」

この論文が提案するのは、**「DeePConverter」**という新しい制御システムです。

• 核心: 「地図（モデル）は作らない。目の前のデータ（過去の運転記録）を見て、その場で最適な運転を決める」。
• 仕組み: 車の運転手（コントローラー）が、過去の「アクセルの踏み方」と「車の動き」のデータ（入出力データ）を大量に持っています。そして、「今、道路がどうなっているか」をそのデータから読み取り、**「次にどう動けば一番安全でスムーズか」**を瞬時に計算します。

これを**「データ駆動型（Data-Driven）」**と呼びます。

3. 3 つのすごい特徴

① モジュール式：「必要なパーツだけ交換できる」

従来のシステムは、全部を一度に書き換えるのが大変でした。しかし、DeePConverter は**「レゴブロック」**のように設計されています。

• 同期（リズム合わせ）の部分だけ置き換えたい？ → OK
• 電圧制御の部分だけ置き換えたい？ → OK
• 全部を新しい AI 制御にしたい？ → OK
  これにより、既存の設備を壊さずに、必要な部分だけをアップグレードできます。

② 積分動作：「過去の失敗を忘れない」

人間でも、少しのズレを放置すると、後で大きなミスになります。DeePConverter は、**「過去の小さなズレ（誤差）を記憶し、少しずつ修正し続ける」**機能を持っています。
これにより、長期的に電圧や電力を正確に維持し、目標値からブレないようにします。

③ 適応力：「変化する環境にすぐ慣れる」

道路状況が急変したとき、古い地図では対応できませんが、DeePConverter は**「リアルタイムで新しいデータを学習」**します。

• 再帰更新: 常に最新のデータを少しづつ取り込んで、脳（制御アルゴリズム）を更新し続ける。
• バッチ再構築: 大きな変化があったら、一度まとめて新しいデータを学習し直す。
  このおかげで、電力網が不安定になっても、すぐに安定した運転に戻ることができます。

4. 2 つの運転モード：「追従型」と「自立型」

電力変換器には、大きく分けて 2 つの運転スタイルがあります。DeePConverter は、この 2 つを**「一つのシステムで自在に切り替え」**ることができます。

1. グリッドフォロイング（GFL）： 既存の電力網のリズム（周波数）に**「ついていく」**運転。
   • 例え: 大勢で踊るダンスで、リーダーの動きに合わせて動くこと。
2. グリッドフォーミング（GFM）： 自らリズムを作り出し、他の機器を**「引っ張る」**運転。
   • 例え: 自分がリーダーになって、他の人を引っ張ってリズムを作ること。

DeePConverter は、コスト関数（目標設定）を変えるだけで、この 2 つの役割を自在に演じることができます。

5. 実験結果：「実戦で勝つ」

論文では、シミュレーションと実際のハードウェア実験（HIL）で、DeePConverter が既存のシステムより優れていることを証明しました。

• 電圧が下がった時（停電の予兆）: 従来のシステムはバランスを崩して揺れましたが、DeePConverter は**「しなやかに」**対応し、安定を保ちました。
• 周波数が乱れた時: 従来のシステムは遅れて反応しましたが、DeePConverter は**「慣性（重み）」**をシミュレートし、スムーズに周波数を戻しました。
• 計算速度: 複雑な計算が必要そうに見えますが、最新のソルバーを使えば、1 回の実行に 0.001 秒しかかかりません。つまり、**「リアルタイムで動ける」**のです。

まとめ

この論文が伝えたいことはシンプルです。

「電力網は複雑で予測不能だ。だから、完璧な地図（モデル）を作ろうとするのをやめ、過去のデータという『経験』から学び、その場で最適な判断をする『賢い運転手』を作ろう。」

DeePConverter は、再生可能エネルギー（太陽光や風力）が大量に導入されるこれからの時代、電力網を**「より強靭で、柔軟で、安全」**なものにするための鍵となる技術です。

技術概要

論文要約：グリッド接続型電力変換器のためのデータ駆動最適制御アーキテクチャ

本論文は、現代の電力システムにおいて普及しているグリッド接続型電力変換器（太陽光、風力、蓄電池、EV 等）の制御課題に対し、モデルに依存しないデータ駆動型最適制御を提案するものです。著者らは、従来のモデルベース制御の限界を克服し、測定データのみから最適かつロバストな制御を実現する新しいアーキテクチャ「DeePConverter」を提案しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 背景と問題定義

• 現状の課題: 従来の電力変換器は、グリッド同期や電圧・電力制御などの目的を達成するために、複数の PID 制御ループ（内側電流ループ、外側ループ、同期ユニット）を多用しています。これらのパラメータ調整は、通常「無限バス」と仮定した単純化されたグリッドモデルに基づいて行われます。
• 問題点: 実際の電力網は複雑で、時間変化する特性を持ち、特に電力電子機器が支配的なシステムでは「無限バス」モデルは成立しません。モデルと実システムのミスマッチにより、制御性能の低下や、風力発電所などで観測されているような小信号不安定（振動）が発生するリスクがあります。
• 既存手法の限界: ロバスト制御やモデル予測制御（MPC）などの高度な手法も存在しますが、これらは正確なグリッドモデルと頻繁なパラメータ再調整を必要とし、不確実性の高い実環境ではコストが高く、追従が困難です。

2. 提案手法：DeePConverter

本論文では、**データ支援予測制御（DeePC: Data-enabled Predictive Control）**を電力変換器に応用し、DeePConverterと呼ばれる新しい制御アーキテクチャを提案しています。

• 基本原理:
  • Willems の基本補題（Fundamental Lemma）: 線形時不変（LTI）システム（または弱非線形システム）のダイナミクスは、その入出力データ（軌道）によって完全に記述できるという理論に基づいています。
  • モデル不要: システムの物理モデルを特定（同定）することなく、測定された入出力データ（電圧、電流、電力など）から直接最適な制御入力を計算します。
• アーキテクチャのモジュール化:
  • 従来の制御ループ（同期、外側ループ、内側電流ループ）を、DeePC に部分的または完全に置き換えるモジュール型構成を提案しています。
  • これにより、既存のグリッドフォロイング（GFL）やグリッド形成（GFM）の制御戦略を柔軟に実装・拡張できます。
• 積分動作の導入:
  • 非線形性による定常偏差を解消するため、DeePC 枠組みに積分動作を組み込んだ「積分 DeePConverter」を提案しています。これは PID 制御の積分器に相当する機能を持ち、データ駆動の観点から定常誤差をゼロにします。
• 適応性:
  • 時間変化するグリッド条件やパラメータ変動に対応するため、**再帰的更新（Recursive Update）とバッチ再構築（Batch Reconstruction）**という 2 つのオンライン適応戦略を導入しています。これにより、ハンケル行列をリアルタイムで更新し、システムの変化に追従させます。

3. 主要な貢献

1. モジュール型プラグアンドプレイ・アーキテクチャの提案:
   • 制御ループを任意に置き換え可能な設計により、実用的な電力変換器への導入を容易にしました。これにより、GFL/GFM の両方の動作モードを単一のデータ駆動フレームワークで実現可能です。
2. 積分・適応型 DeePC 定式化:
   • 離散時間積分動作の導入による定常誤差の解消と、ハンケル行列のオンライン更新による時間変化する条件への適応性を両立させました。
3. コスト関数設計による制御挙動の体系化:
   • 重み付け行列と結合行列の構造化設計により、GFL（PLL 同期）や GFM（仮想同期機）の挙動をコスト関数を通じて明示的に設計・実装できることを示しました。これにより、従来の制御パラダイムをデータ駆動的に再現・超越する制御挙動の合成が可能になりました。

4. 検証結果

高忠実度シミュレーションとハードウェア・イン・ザ・ループ（HIL）実験により、提案手法の有効性が検証されました。

• GFL/GFM 挙動の再現と性能向上:
  • 従来の GFL/GFM 制御およびサブスペース予測制御（SPC）ベースの手法と比較し、DeePConverter はより優れた追従性能、外乱拒絶能力、および安定性を示しました。
  • 特に、短絡比（SCR）の低下やグリッド電圧低下時において、従来の制御では発生する振動や同期喪失を抑制し、安定動作を維持しました。
• 過渡応答性能:
  • 深刻な電圧低下（0.5 p.u.）や周波数変動に対する耐性を示しました。GFM 制御では電圧低下時に同期喪失を起こすケースがありましたが、DeePConverter は過渡期間を通じて安定して動作しました。
• 適応性の検証:
  • グリッドの不均衡電圧や PLL バンド幅の変化などのパラメータ変動に対し、オンライン適応戦略（再帰更新・バッチ再構築）を用いることで、制御性能の劣化を防ぎ、迅速に収束させることができました。
• リアルタイム性:
  • OSQP ソルバーを用いた効率的な実装により、制御周期 1ms でのリアルタイム実行が可能であることを確認しました。制約がない場合の閉形式解を用いれば、計算時間はさらに短縮可能です。
• HIL 実験:
  • OP5700 シミュレータと NI FPGA を用いた実験で、電圧サグ時の安定性、PQ/PV モード間のスムーズな遷移、および外乱に対するロバスト性を実証しました。

5. 意義と結論

本論文で提案されたDeePConverterは、電力変換器制御のパラダイムシフトをもたらすものです。

• モデル依存からの脱却: 複雑で不確実なグリッド環境において、物理モデルの構築や頻繁な再調整を不要とし、測定データそのものを「モデル」として活用することで、モデルミスマッチ問題を根本的に解決します。
• 柔軟性と汎用性: 単一のアーキテクチャで GFL と GFM の両方をカバーし、将来のグリッド要件（高再生可能エネルギー比率など）に対応可能な柔軟な制御基盤を提供します。
• 将来展望: 本手法は、単一変換器の制御にとどまらず、複数の変換器間の協調制御や、より広範な電力電子システムへの適用が期待されます。

結論として、DeePConverter は、データ駆動アプローチを用いて電力変換器の最適性、ロバスト性、適応性を同時に実現し、次世代の電力システム安定化に寄与する画期的な技術です。