Application of Multi-Layer Particle Swarm Optimization Algorithm for ORPD in Renewable-Integrated Power Systems Incorporating FACTS Devices

技術要約：再生可能エネルギー統合型電力システムにおけるORPDのための多層粒子群最適化の適用

問題定義
本論文は、風力および太陽光発電（PV）といった再生可能エネルギー源（RES）の高浸透を特徴とする現代の電力システムにおける、最適無効電力配分（ORPD）問題に取り組んでいる。インバータベースのリソースの統合は、間欠的な発電、無効電力サポート容量の制限、および電圧不安定性の増大を含む重大な課題をもたらす。ORPD問題は、実電力量送電損失（$P_{Loss}$）と総バス電圧偏差（TVD）という2つの異なる目的を最小化することを目的とした、非線形、非凸、混合整数最適化問題として定式化されている。この問題空間は、柔軟交流送電システム（FACTS）デバイス（具体的には、サイリスタ制御直列コンデンサ（TCSC）およびサイリスタ制御位相シフト器（TCPS））の導入によってさらに複雑化しており、これらは決定空間に非線形制御変数（リアクタンスおよび位相シフト角）を追加する。本研究は、発電機の電圧、変圧器のタップ、シャント補償器、およびFACTSパラメータの最適設定を、厳格な等式制約（潮流計算）および不等式制約（運用限界）を遵守しつつ決定することを目指している。

手法
この複雑な最適化問題を解決するために、著者らは**多層粒子群最適化（MLPSO）**アルゴリズムの適用を提案している。このアプローチは、標準的なPSOの拡張版であり、高次元かつマルチモーダルなランドスケープにおける早期収束や探索速度の低下といった限界を克服するように設計されている。

• アルゴリズム構造: MLPSOは、スウォーム（群れ）を複数の層（通常は3層）からなる階層構造で構成する。下層の粒子は個々の解を表し、上層の粒子は下層のサブスウォームを表す。この「梯子状」の階層構造は、グローバルな探索（多様なFACTS構成の探索）とローカルな搾取（電圧プロファイルの微調整）の間の動的なバランスを促進する。
• 探索メカニズム: アルゴルズムは、成功率に基づいてグローバル探索とローカル探索のバリアント間を適応的に切り替える。局所的な多様性を高め、局所最適解を回避するために、リングトポロジーを用いた近傍探索戦略（ローカル近傍探索およびグローバル近傍探索）を利用する。
• システムモデリング: 本研究では、修正されたIEEE 30バステストシステムを利用している。再生可能エネルギーの統合は、バス8の同期発電機を太陽光PVプラントに、バス11および13の発電機を二重給電誘導発電機（DFIG）風力発電所に置き換えることでシミュレートされている。
• FACTSの統合: TCSCおよびTCPSの定常状態モデルが潮流方程式に組み込まれている。TCSCは可変リアクタンス素子としてモデル化され、TCPSは位相シフト角を伴う複素タップ比としてモデル化されている。
• 制約条件: 最適化は、発電機の電圧/無効電力制限、負荷バスの電圧制限、送電線の熱容量制限、変圧器のタップ設定、およびTCSCのリアクタンスやTCPSの位相シフトに関する特定の運用制限を含む制約に従う。

主な貢献

1. 新規アルゴリズムの適用: 本論文は、複数のFACTSデバイス（TCSCおよびTCPS）を備えた再生可能エネルギー統合システムにおけるORPDという特定の領域に、MLPSOアルゴリズムを導入している。これは、従来の文献では広範にカバーされていない組み合わせである。
2. 包括的なシナリオ分析: 本研究は、FACTSデバイスの影響を評価するために、4つの異なるシナリオを評価している。
   • ケース1：FACTSなしのORPD。
   • ケース2：2つのTCSCを伴うORPD。
   • ケース3：2つのTCSCと1つのTCPSを伴うORPD。
   • ケース4：3つのTCSCと3つのTCPSを伴うORPD。
3. 堅牢性と感度分析: 著者らは、再生可能エネルギー浸透レベル（20%〜100%）への感度、確率的生成の不確実性（モンテカルロ・シミュレーション）下での堅牢性、FACTSの配置およびサイジングへの感度、およびN-1セキュリティ・コンティンジェンシー分析（ライン脱落）を含む、広範なポスト最適化分析を実施している。
4. 動的セキュリティ評価: 最適化された設定が過渡安定性に与える影響を評価するため、深刻な故障および発電喪失後のローター角偏差、臨界クリア時間（CCT）、および周波数応答を分析している。

結果
MLPSOアルゴリズムは、修正されたIEEE 30バスシステムに対してテストされ、実数符号化遺伝的アルゴリズム（RCGA）、差分進化法（DE）、および生物地理学的最適化法（BBO）と比較された。

• 性能指標: 4つのすべてのケースおよび両方の目的関数（$P_{Loss}$ および TVD）において、MLPSOは一貫してベンチマークアルゴリズムを上回った。
  • ケース4（最も複雑なケース）において、MLPSOは最小電力損失 3.6125 MW および TVD 0.0513 p.u. を達成し、競合する最良の手法に対して損失で0.6〜1.6%、電圧偏差で3.9〜9.7%の改善を示した。
  • このアルゴリズムは、ベンチマークと比較して、より速い収束と、グローバルな最適解を見つけるための高い安定性を示した。
• FACTSの影響: FACTSデバイスの導入は、電力損失と電圧偏差を大幅に減少させた。TCSCおよびTCPSの最適な配置は、再生可能エネルギーバス（ライン27, 28, 36）の近くであり、TCSCは誘導性ライン充電を相殺するために容量性モードで作動することが最良の結果をもたらした。
• 堅牢性: 不確実な風力および太陽光入力の下での1000回のモンテカルロ・シナリオにおいて、MLPSOの解は許容範囲内に留まった（95%信頼区間：$P_{Loss}$ [3.52, 3.78] MW; TVD [0.0489, 0.0553] p.u.）。
• 動的安定性: 最適化されたFACTS設定は、過渡安定性を大幅に向上させた。コンティンジェンシー試験において、MLPSOによって最適化されたシステムは、ヒューリスティックまたは未最適化の設定と比較して、最小の初動振幅、最も速い振動減衰、および優れた周波数回復（ベースケースのナディア周波数59.52 Hzに対し、59.68 Hz）を示した。

意義と主張
本論文は、提案されたMLPSOフレームワークが、将来の再生可能エネルギー主体のグリッドにおける無効電力管理のための堅牢かつ効果的なソリューションを提供すると主張している。高度なメタヒューリスティクスをFACTSデバイスと統合することで、この手法は再生可能エネルギーの間欠性とシステム安定性の二重の課題に対処している。著者らは、彼らのアプローチが既存の進化アルゴリズムと比較して、優れた損失最小化と電圧プロファイル向上を提供すると断言している。

研究は、MLPSOアルゴリズムが安全かつ効率的なグリッド運用をサポートする上で大きな可能性を示しているものの、その知見は広範な産業的普及の前にさらなる検証が必要であると結論付けている。本研究は、高再生可能エネルギー浸透とFACTS統合を伴う現代の電力システムの非線形かつマルチオブジェクティブな性質を扱うための、高度な最適化技術の必要性を強調している。