NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

技術概要：NEO-Grid

問題定義
太陽光発電や蓄電池などの分散型エネルギー資源（DER）の普及は配電網を変容させ、電圧安定性を脅かす大きな変動性と不均質性を導入している。効果的な管理には、電力注入と電圧大きさとの間の非線形関係（潮流、PF モデル）を正確にモデル化することが必要である。従来の手法は線形近似（例：LinDistFlow）に依存しており、重負荷時や抵抗性の高いフィーダにおいて、重要な非線形性を捉えられないことが多い。さらに、電圧無効電力最適化（VVO）は集中型ソリューションを求め、電圧無効電力制御（VVC）は局所自律型の方策を求めるが、どちらも非線形 PF 方程式を解く計算の複雑さ、および VVC 力学の再帰的かつ閉ループ的な性質によって妨げられている。展開型再帰型ニューラルネットワーク（RNN）などの既存の VVC 手法は、メモリ負荷と勾配消失の問題に悩まされている。

手法
本論文は、最適化と制御の両方において従来の線形近似をニューラルネットワークの代理モデルに置き換える、統合された学習ベースのフレームワーク「NEO-Grid」を提案する。

1. ニューラル潮流代理モデル（NEO-Grid モデル）:

   • 著者は、非線形 AC 潮流マッピング $v = f(p, q)$ を近似するニューラルネットワーク（具体的には ReLU 活性化関数を持つ単一隠れ層ネットワーク）を構築する。
   • この代理モデルは、無効電力補償シナリオを含む多様な運転条件下で、高精度な AC-PF シミュレーションから生成されたデータを用いて訓練される。
   • ReLU ネットワークは区分的線形（PWL）関数を生成するため、この代理モデルは混合整数線形（MIL）または混合整数二次（MIQP）定式化に埋め込むことが可能となり、非線形物理を標準ソルバーで扱いやすくする。

2. 混合整数計画法による VVO:

   • 電圧無効電力最適化（VVO）において、訓練済みのニューラル代理モデルは、最適化問題における非線形 PF 制約を置き換える。
   • 目的は、電圧偏差を公称の 1.0 p.u. プロファイルから最小化することである。ネットワークの PWL 性質により、この問題は混合整数二次計画（MIQP）として解くか、混合整数線形計画（MILP）に緩和して解くことができる。

3. 深部平衡モデル（DEQ）による VVC:

   • 電圧無効電力制御（VVC）において、著者は閉ループで動作する局所制御則 $q_i = g(v_i)$ を設計する課題に取り組む。
   • 時間軸上でシステム力学を展開する（RNN のような）代わりに、NEO-Grid はシステムを**深部平衡モデル（DEQ）**としてモデル化する。
   • 制御則は、IEEE 1547 規格の区分的線形ドロップ曲線を模倣する構造化された ReLU ベースの関数としてパラメータ化される。
   • システム状態は、固定点 $v^* = F_\phi(v^*)$ として定義され、ここで $F_\phi$ はニューラル潮流代理モデルと VVC 則を合成する。
   • 訓練には、制御パラメータ $\phi$ に関する勾配を平衡点で直接計算するための陰微分と根発見アルゴリズム（例：アンダーソン加速）が用いられる。これにより長い軌跡の保存が不要となり、メモリ使用量と計算コストが大幅に削減される。

主要な貢献
本論文は、3 つの主要な貢献を概説する：

1. 統合された PF 設計: 集中型最適化（VVO）と分散型制御（VVC）の両方に対して扱いやすい「ニューロシミュレータ」として機能する、単一のニューラル潮流代理モデルの構築。
2. 汎用性: データ融合、予測分析、配電システム内のデジタルツイン応用など、多様なタスクをサポートするように設計された「万能」なニューロシミュレータとしてのフレームワーク。
3. 平衡ベースの VVC 学習: PWL 制御則表現と NEO-Grid 代理モデルの統合を、DEQ ベースの陰微分によって最適化すること。このアプローチにより、展開型再帰アーキテクチャの計算オーバーヘッドなしに、閉ループ制御性能を効率的に最適化できる。

実験結果
このフレームワークは、IEEE 33 バス放射状配電システムで評価された。

• 潮流近似: NEO-Grid ニューラル代理モデルは、テストセットにおいて平均二乗誤差（MSE）$1.81 \times 10^{-6}$ を達成した。これは線形回帰（$3.16 \times 10^{-5}$）より 1 桁優れ、LinDistFlow モデル（$1.95 \times 10^{-4}$）よりも 100 倍以上正確であった。
• VVO 性能: 電圧調整タスクにおいて、NEO-Grid ベースの最適化は、線形回帰および LinDistFlow ベースラインと比較して、最小の平均電圧偏差（0.94%）と、最も少ない大規模違反（3% 超の偏差）を達成した。
• VVC 性能: DEQ 訓練された NEO-Grid 制御器は、平均電圧偏差 3.63% を達成し、線形およびヒューリスティックなベースラインを上回った。重要なのは、他の最適化ベースの手法が依然として大きな偏差を示していたのに対し、この手法は 7% を超える偏差を伴う電圧侵入をすべて排除した点である。
• 比較: VVO（集中型）は、より高い柔軟性により自然に VVC（分散型）よりも優れた調整を達成したが、NEO-Grid VVC アプローチは、既存の線形/RNN ベースの手法と比較して、優れた堅牢性と一貫性を示した。

意義と主張
著者は、NEO-Grid が学習ベースの電圧調整のためのスケーラブルで正確かつ解釈可能なソリューションを確立すると主張する。非線形物理の精度と、最適化および制御に必要な扱いやすさの間のギャップを埋めることで、このフレームワークは線形近似に対する実用的な代替手段を提供する。DEQ の使用は、特に閉ループ制御設計の計算上のボトルネックに対処し、軌跡の展開に伴うメモリ負担なしに単一層の方策における効率的な訓練を可能にする。本論文は、NEO-Grid を単なる制御アルゴリズムではなく、配電網におけるより広範なデジタルツインのユースケース、感度分析、および「what-if」研究に拡張可能な基盤となる「ニューロシミュレータ」として位置づけている。