JP6801457B2 - 状態推定装置、状態推定方法、及び状態推定プログラム - Google Patents

状態推定装置、状態推定方法、及び状態推定プログラム Download PDF

Info

Publication number
JP6801457B2
JP6801457B2 JP2017000163A JP2017000163A JP6801457B2 JP 6801457 B2 JP6801457 B2 JP 6801457B2 JP 2017000163 A JP2017000163 A JP 2017000163A JP 2017000163 A JP2017000163 A JP 2017000163A JP 6801457 B2 JP6801457 B2 JP 6801457B2
Authority
JP
Japan
Prior art keywords
value
initial value
calculated
state variable
initial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017000163A
Other languages
English (en)
Other versions
JP2018110488A (ja
Inventor
章弘 大井
章弘 大井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuji Electric Co Ltd
Original Assignee
Fuji Electric Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Electric Co Ltd filed Critical Fuji Electric Co Ltd
Priority to JP2017000163A priority Critical patent/JP6801457B2/ja
Publication of JP2018110488A publication Critical patent/JP2018110488A/ja
Application granted granted Critical
Publication of JP6801457B2 publication Critical patent/JP6801457B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Description

本発明は、状態推定装置、状態推定方法、及び状態推定プログラムに関する。より具体的には、配電系統を対象とした状態推定を行う装置、方法、及びプログラムに関する。状態推定では、電源容量、負荷容量、線路データ、及び変圧器データといった系統設備データに対して、測定点における電圧・電流の測定値データが与えられ、系統内の各点の未知の電圧・電流等の状態値が推定される。
電力系統を対象とした状態推定は、主に、送電系統を対象とした状態推定と配電系統を対象とした状態推定とに分類される。送電系統を対象とした状態推定では、系統の測定データの冗長性を利用して、統計的手法を用いて誤りを含むデータの検出や補正が行われる。一方、配電系統を対象とした状態推定では、放射状となっている系統構造を利用して、電源側の測定値データから需要家側の負荷データ等の状態値が推定される。配電系統では、測定値の数が推定する状態変数よりも少ない特徴を持つ。例えば、特許文献１及び特許文献２には、配電系統を対象とした状態推定に関して記載されている。
状態推定の手法は、数理的探索手法と発見的探索手法とに分類できる。数理的探索手法は、目的関数の微分や感度を用いて状態変数を更新する手法である。発見的探索手法は、目的関数値の微分や感度を用いることなく、目的関数値のみを用いた乱数を含む探索ロジックによる手法である。
数理的探索手法或いは発見的探索手法により得られる解が局所解に陥ることを防止するために、多点型探索アルゴリズムが用いられることがある。例えば、特許文献１では、Particle Swarm Optimization(ＰＳＯ)が用いられ、特許文献２ではタブサーチが用いられている。これらの手法は、多点型探索アルゴリズムを用いた計算手法であり、状態変数に対する複数点の初期値を与えて目的関数を繰り返し解くことによって、それぞれの状態変数の更新規則に基づき状態変数を更新し、最終的な解となる状態変数を計算する。
特開２００２−５１４６４号公報 特開２０１０−２６３７５４号公報
しかしながら、多点型探索アルゴリズムにおける状態変数の初期値が現在の情報のみから計算されると、探索領域が適切に設定されずに、最終的な解が実際の運用値とかけ離れてしまうことがある。これは数理的探索手法でも発見的探索手法でも同様である。
本発明の一側面にかかる目的は、配電系統を対象とした多点型探索アルゴリズムを用いた状態推定における計算精度を向上させることである。
一実施形態に従った状態推定装置は、初期値計算部、初期値取得部、及び状態変数計算部を含む。初期値計算部は、配電系統に設置されたセンサの測定値に従って配電系統内の各点の状態変数に対する第１の初期値を計算し、第１の初期値の近傍値を計算する。初期値取得部は、過去の状態推定結果の中から状態変数に対する第２の初期値を取得し、第２の初期値の近傍値を計算する。状態変数計算部は、第１の初期値、第１の初期値の近傍値、第２の初期値、及び第２の初期値の近傍値を状態変数に対する複数の初期値として多点型探索アルゴリズムを用いて状態変数を計算する。
一実施形態に従った状態推定装置によれば、配電系統を対象とした多点型探索アルゴリズムを用いた状態推定における計算精度を向上させることができる。
実施形態に従った状態推定装置を含む配電系統システムの構成例を示す図である。 実施形態に従った状態推定方法の例示的な処理フローを示す図である。 実施形態に従った状態推定プログラムを実行するコンピュータの構成例を示す図である。
以下、図面に基づいて実施形態について詳細を説明する。
図１は、実施形態に従った状態推定装置を含む配電系統システムの構成例を示す図である。図１に示す構成例では、配電系統システム１は、状態推定装置２、電源３、センサ付き開閉器４、ノード５、負荷６、電圧制御機器７、及び分散電源８を含む。なお、センサ付き開閉器４、ノード５、負荷６、電圧制御機器７、及び分散電源８の夫々の数は、図１に示す数に限られず、任意の数であってよい。
配電系統システム１において、電源３で示された配電所から各ノード５までが配電線９によって接続される。配電線９には、測定点に設置されたセンサの一例であるセンサ付き開閉器４が設置され、電圧、通過電流、並びに電流及び電圧の位相角等が測定される。各ノード５には、負荷６及び／又は分散電源８が接続される。負荷６及び／又は分散電源８は、配電線９に分散されて接続され得るが、図１に示すようにノード５に集約されて接続されるものとして表されてもよい。配電線９中には電圧制御機器７が設置され、電圧が適正範囲となるように制御される。
状態推定装置２は実施形態に従った状態推定装置の一例である。図１に示すように、状態推定装置２は、有線及び／又は無線の通信網を介してセンサ付き開閉器４に接続されてもよい。状態推定装置２は、入力部２１、処理部２２、記憶部２３、出力部２４、及び通信部２５を含む。
入力部２１は、例えば、キーボード、マウス、及び／又はタッチパネル等である。通信部２５は、例えば、有線又は無線の送受信機である。入力部２１或いは通信部２５には、状態推定に用いられる系統情報が入力される。また、入力部２１或いは通信部２５には、センサ付き開閉器４により測定された測定値が入力される。入力された系統情報及び測定値は記憶部２３に記憶される。記憶部２３は、例えば、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等である。なお、測定値は、測定値が得られた測定条件と対応付けて記憶部２３に記憶されてもよい。対応付けられる測定条件の一例としては、季節、気温、日射量、及び／又は時間帯等が挙げられる。
処理部２２は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、又はプログラマブルなディバイス（ＦＰＧＡ（Field Programmable Gate Array）やＰＬＤ（Programmable Logic Device）等）である。処理部２２は、初期値計算部２２１、初期値取得部２２２、及び状態変数計算部２２３を含む。
初期値計算部２２１は、センサ付き開閉器４の測定値を取得する。取得される測定値は、センサ付き開閉器４により測定された現時刻の（或いは最新の）測定値であってもよい。初期値計算部２２１は、取得した測定値に従って配電系統システム１内の各点の状態変数に対する第１の初期値を計算し、該第１の初期値の近傍値を計算する。状態変数は、例えば、ノード５に接続する負荷６の有効電力及び無効電力や、電圧制御機器７の制御量等である。
初期値取得部２２２は、状態変数計算部２２３により計算された過去の状態推定結果の中から、状態変数に対する第２の初期値を取得し、該第２の初期値の近傍値を計算する。取得される第２の初期値は、状態変数計算部２２３により前回計算された状態推定結果であってもよい。また、取得される第２の初期値は、第１の初期値が計算された測定値の測定条件に近い測定条件の測定値に従って状態変数計算部２２３により計算された過去の状態推定結果であってもよい。
状態変数計算部２２３は、第１の初期値、第１の初期値の近傍値、第２の初期値、及び第２の初期値の近傍値を状態変数に対する複数の初期値として多点型探索アルゴリズムを用いて状態変数を計算する。状態変数計算部２２３が行う計算手法は、多点型探索アルゴリズムを用いた数理的探索手法であってもよいし、多点型探索アルゴリズムを用いた発見的探索手法であってもよい。
例えば、状態推定において、ノード５には複数の需要家（負荷６）が集約され得るため、時系列でみたときに当該ノード５における傾向は類似する。また、需要家の急激な変動に対してもその他の需要家による「ならし効果」によって、当該ノード５における変動の急激さは緩和される。したがって、現在の状態は過去の状態と相関を有し得る。そこで、上述のように、状態変数計算部２２３は、過去の状態推定結果を現在の状態推定に用いることで、現在の状態推定計算に過去の傾向を反映させる。すなわち、多点型探索アルゴリズムを用いた状態推定計算において、現在の測定値から計算された初期値と、過去の状態推定計算で得られた解とを複数点の初期値として組み合わせることで、現在の状態推定計算に過去の傾向を反映させる。
したがって、実施形態に従った状態推定装置によれば、状態推定計算により得られる解を実際の運用における値に近づけることが可能になり、計算精度を向上させることができる。また、過去の値と現在の値が類似している場合には効率的な状態変数の探索が可能になる。
出力部２４は、例えば、液晶ディスプレイ又はＣＲＴ（Cathode Ray Tube）ディスプレイである。出力部２４は、処理部２２による処理結果を出力する。例えば、出力部２４は、状態変数計算部２２３による状態推定結果を出力する。なお、処理部２２による処理結果は、状態推定装置２の外部に存在する監視端末装置（図示せず）等へ通信部２５を通じて出力されてもよい。
実施形態に従った状態推定装置が行う状態推定方法の具体例を図２を更に参照しながら説明する。図２は、実施形態に従った状態推定方法の例示的な処理フローを示す図である。なお、以下では、ノード５に接続する負荷６の有効電力及び無効電力を状態変数とした状態推定計算を説明するが、実施形態に従った状態推定方法は、例えば、電圧制御機器７の制御量を状態変数とした状態推定計算にも適用可能である。
ステップＳ１において、処理部２２は、計算対象である配電系統システム１の系統情報のデータを記憶部２３から取得する。また、ステップＳ２において、初期値計算部２２１は、センサ付き開閉器４による現時刻の（或いは最新の）測定値を記憶部２３から取得する。
ステップＳ３において、初期値計算部２２１は、現時刻の（或いは最新の）測定値を用いて状態変数に対する初期値を計算する。例えば、配電系統システム１では、各負荷６は、電源３及び分散電源８から供給された電力を消費する。そこで、初期値計算部２２１は、電源３及び分散電源８の発電電力の合計値（送り出し電流から算出される電力）を、負荷６を集約するノード５毎の契約設備容量に按分して配分する。この際、各負荷６の実際の力率は不明であるため、事前に仮定した力率が用いられてよい。各測定点において電圧及び電流が測定されている場合、初期値計算部２２１は、測定値から計算される電力と、前述の按分計算の結果と、仮定した力率とを用いて、各ノード５における負荷６の有効電力及び無効電力の初期値を計算することができる。
また、多点型探索アルゴリズムを用いた計算手法における状態変数の初期値として、初期値計算部２２１は、計算した第１の初期値の近傍値を計算する。近傍値は、現時刻の（或いは最新の）測定値と過去の測定値との偏差を基準に計算されてもよい。例えば、センサ付き開閉器４により測定された現時刻の（或いは最新の）送り出し電力が過去の測定値と比較して＋α％変化している場合には、第１の初期値の±α／２の範囲内にある任意の値が近傍値として取得される。
次に、ステップＳ４において、初期値取得部２２２は、状態変数計算部２２３により計算された過去の状態推定結果（状態変数）が記憶部２３に存在するか否かを検索する。過去の状態推定結果が記憶部２３に存在しない場合（ステップＳ４で“ＮＯ”）には、一連の処理はステップＳ７に進む。一方、過去の状態推定結果が記憶部２３に存在する場合（ステップＳ４で“ＹＥＳ”）には、一連の処理はステップＳ５に進む。
ステップＳ５において、初期値取得部２２２は、状態変数計算部２２３により計算された過去の状態推定結果の中から、状態変数に対する第２の初期値を選択して取得する。取得される第２の初期値は、状態変数計算部２２３により前回計算された状態推定結果であってもよい。また、取得される第２の初期値は、第１の初期値が計算された測定値の測定条件に近い測定条件の測定値に従って計算された過去の状態推定結果であってもよい。
また、初期値取得部２２２は、取得した第２の初期値の近傍値を計算する。第２の初期値の近傍値に対する計算方法は、第１の初期値の近傍値に対する前述の計算方法と同様であってもよい。
ステップＳ６において、状態変数計算部２２３は、第１の初期値及び第１の初期値の近傍値に加えて、第２の初期値及び第２の初期値の近傍値を状態変数に対する複数の初期値に反映させる。例えば、多点型探索アルゴリズムを用いた状態推定計算において１００点の探索点により計算する場合には、状態変数計算部２２３は、第１の初期値、第１の初期値の近傍値、第２の初期値、及び第２の初期値の近傍値を１００点の初期値に以下のように反映させる。
１点：現時刻の（或いは最新の）測定値を用いた近似計算結果（第１の初期値）
４９点：近似計算結果の近傍の複数点（第１の初期値の近傍値）
１点：過去の状態推定結果（第２の初期値）
４９点：過去の状態推定結果の近傍の複数点（第２の初期値の近傍値）
上記のような方法によって、現時刻の（或いは最新の）情報と過去の計算結果の情報を、設定された１００点の探索点に反映させることができる。この結果、多点型探索アルゴリズムを用いた状態推定計算により得られる解を実際の運用における値に近づけることが可能になり、計算精度を向上させることができる。
なお、第２の初期値及び第２の初期値の近傍値が複数の初期値に反映される割合は、取得された第２の初期値に応じて変化させてもよいし、所定の割合に固定されてもよい。
例えば、状態変数計算部２２３により前回計算された状態推定結果が第２の初期値として取得された場合には、第２の初期値及び第２の初期値の近傍値が複数の初期値に反映される割合を以下のように変化させてもよい。
すなわち、第２の初期値が計算された測定値が第１の初期値が計算された測定値と乖離する場合には、状態変数計算部２２３は、第２の初期値及び第２の初期値の近傍値が複数の初期値に含まれる割合を少なくする。例えば、分散電源８の一例としての太陽光発電の変化が大きい時間帯である昼間や需要家（負荷６）の変動が大きい夕方等、現時刻の（或いは最新の）測定値が第２の初期値の計算に用いられた測定値から乖離する時間帯があり得る。そこで、この場合には、現時刻の測定値を用いた近似計算結果（第１の初期値）と該近似計算結果の近傍値（第１の初期値の近傍値）とを複数の初期値により多く配分することで、過去の状態推定結果（第２の初期値）の影響を弱める。これにより、多点型探索アルゴリズムを用いた状態推定計算における探索領域を広げることができ、実際の運用値に近い状態変数を得ることができる。
一方、第２の初期値が計算された測定値が第１の初期値が計算された測定値に近い場合には、状態変数計算部２２３は、第２の初期値及び第２の初期値の近傍値が複数の初期値に含まれる割合を多くする。例えば、分散電源８の一例としての太陽光発電の変化が小さい時間帯である夜間や需要家（負荷６）の変動が小さい深夜等、現時刻の（或いは最新の）測定値が第２の初期値の計算に用いられた測定値に近い時間帯があり得る。そこで、この場合には、過去の状態推定結果（第２の初期値）及びその近傍値を複数の初期値により多く配分することで、過去の状態推定結果（第２の初期値）の影響を強める。これにより、探索領域を狭めて解を短時間で収束させつつ、収束計算を高精度に行うことができる。
なお、第２の初期値が計算された測定値が第１の初期値が計算された測定値と乖離するか否かは、両測定値の偏差の大小や相関の有無によって判定されてもよい。例えば、前述した変化率α％が所定値よりも大きい場合には、両測定値の偏差が大きく、両測定値は乖離していると判定され、前述した変化率α％が所定値以下である場合には、両測定値の偏差が小さく、両測定値は近いと判定される。
また、状態変数計算部２２３は、第２の初期値が計算された測定値の測定条件が第１の初期値が計算された測定値の測定条件と乖離する場合には、第２の初期値及び第２の初期値の近傍値が複数の初期値に含まれる割合を少なくするように構成されてもよい。反対に、状態変数計算部２２３は、第２の初期値が計算された測定値の測定条件が第１の初期値が計算された測定値の測定条件に近い場合には、第２の初期値及び第２の初期値の近傍値が複数の初期値に含まれる割合を多くするように構成されてもよい。例えば、分散電源８の一例としての太陽光発電の変動が大きい昼間の時刻では過去の測定値を用いる割合を小さくし、該変動が小さい夜間の時刻では過去の測定値を用いる割合を大きくしてもよい。
このように、複数点の初期値に占める過去の状態推定結果の割合を、取得された第２の初期値に応じて変化させることで、高い計算精度を得ると共により効率的な探索を行うことができる。
また、例えば、第１の初期値が計算された測定値の測定条件に近い測定条件の測定値に従って計算された過去の状態推定結果が第２の初期値として取得された場合には、第２の初期値及び第２の初期値の近傍値が複数の初期値に反映される割合は固定されてもよい。測定条件が近い測定値に従って計算された過去の状態推定結果を複数の初期値に所定割合で反映させれば、探索領域を適切に設定しつつ、収束計算を高精度に行うことができる。
次に、ステップＳ７において、状態変数計算部２２３は、取得された複数の初期値を用いて多点型探索アルゴリズムにより状態変数を計算する。
例えば、各ノード５における負荷６の有効電力及び無効電力を状態変数とした場合、次の式(1)に示すように、目的関数Ｊ（ｘ）は、測定点における測定値と計算値との重み付二乗誤差の最小化として表される。
ここで、ｘは状態変数（各ノード５における負荷６の有効電力及び無効電力）であり、ｍは測定点（例えば、センサ付き開閉器４）の数である。また、ｗｉは測定点ｉの重み係数であり、ｚｉは測定点ｉの測定値であり、ｈｉは測定点ｉの状態方程式である。状態方程式ｈｉは潮流方程式（電力方程式）に対応し、状態方程式ｈｉにおいて状態値ｘが入力されると測定点の計算値が出力される。
また、制約条件として、例えば、状態変数ｘの上限は各ノード５における負荷６の契約容量とされ、状態変数ｘの下限は０とされる。
状態変数計算部２２３は、式(1)で示される最適化問題を多点型探索アルゴリズムを用いた数理的探索手法によって解いてもよいし、多点型探索アルゴリズムを用いた発見的探索手法によって解いてもよい。
まず、式(1)で示される最適化問題を数理的探索手法を用いて解く一例として、勾配法を適用した具体例を以下に示す。なお、勾配法以外の多点型の数理的探索手法にも実施形態に従った状態推定方法は適用可能である。
状態変数計算部２２３は、式(1)で示される目的関数Ｊ（ｘ）の勾配（グラディエント）を以下の式(2)により計算する。
ここで、∇Ｊ（ｘ）は目的関数Ｊ（ｘ）の勾配ベクトルであり、ｎは状態変数の数である。勾配法では状態変数ｘの初期値ｘ０が与えられ、状態変数計算部２２３は、以下の式(3)によりｘ´を計算し、状態変数ｘが収束するまで式(2)を用いて繰り返し計算を行う。
例えば、状態変数計算部２２３は、ｘ´のノルムの偏差が所定値（例えば1.0×10-6）まで十分小さくなった場合に上述の計算を終了し、解として状態値ｘを出力する。多点型探索では複数の初期値ｘ０が与えられるため、状態変数計算部２２３は、各初期値ｘ０に対して上述の計算し、解として状態値ｘを夫々出力する。
ステップＳ８において、状態変数計算部２２３は、解として得られた複数の状態値ｘの中からその値が最小となる状態値ｘを最適解として出力する。また、状態変数計算部２２３は、最適解である状態値ｘを記憶部２３に記憶させる。そして、一連の処理を終了させる計算終了時刻にならない限り（ステップＳ９で“ＮＯ”）、一連の処理は、ステップＳ２に戻り、次の計算時刻において上述したような一連の処理が再び実行される。
次に、式(1)で示される最適化問題を発見的探索手法を用いて解く一例として、ＰＳＯを適用した例を以下に示す。なお、ＰＳＯ以外の多点型の発見的探索手法にも実施形態に従った状態推定方法は適用可能である。
ＰＳＯは鳥や魚の群れが餌を探す行動を模擬した最適化手法であり、群れ状の各探索点（エージェント）自身が持つ最良情報と群れ全体で共有している最良情報とを利用して、各エージェントに対する最適解を探索する発見的探索手法である。この手法では目的関数の微分情報が必要とされず、式(1)で示される目的関数の計算値（目的関数値）のみが用いられる。
具体的には、各エージェントｉ自身が探索した中で最良の位置ベクトルｐｂｅｓｔと、エージェントの群れ全体で見つけた最良の位置ベクトルｇｂｅｓｔとを基に、各エージェントｉの位置ベクトルｘｉ及び速度ベクトルｖｉを以下の式(4)及び式(5)に従い修正する。これにより、目的関数の計算値が最小であった位置ベクトルｘｉ（＝ｇｂｅｓｔ）が該エージェントｉに対する最適解に決定される。
ここで、ｉはエージェント番号であり、
はエージェントｉの探索回数ｋ回目の位置であり、
はエージェントiの探索回数ｋ回目の速度である。また、ｗは速度に関する重み係数であり、ｃ１及びｃ２は定数であり、ｒａｎｄは０から１までの一様乱数である。そして、ｐｂｅｓｔｉはエージェントｉのこれまでに探索した最良となる位置であり、ｇｂｅｓｔｉは群れ全体で最良となる位置である。
また、速度に対する重み係数ｗは、次の式(6)により計算される。
ここで、ｗｍａｘ及びｗｍｉｎは定数であり、ｉｔｅｒｍａｘは所定の最大探索回数であり、ｉｔｅｒは現在の探索回数である。
式(1)で示される最適化問題がＰＳＯを用いて解かれる場合、ステップＳ１では、系統情報のデータに加えて、エージェント数、最大探索回数、及び各操作変数の上下限値が取得される。操作変数は、推定対象である状態値として設定され、操作変数の上下限値は、例えば、前述したような制約条件により設定される。
また、ステップＳ３及びステップＳ５では、各エージェントの位置の初期化と速度の初期化とが行われる。ステップＳ３及びステップＳ５における各エージェントの位置の初期化は、前述した説明と同様の方法により行われる。すなわち、負荷按分により計算された値（ステップＳ３）又は過去の状態変数値（ステップＳ５）と、変化率α％の範囲内でランダムに設定された値（ステップＳ３及びステップＳ５）とが計算又は取得される。また、ステップＳ３及びステップＳ５における各エージェントの速度の初期化は、各操作変数の上限値と下限値との差の範囲内、すなわち、前述した制約条件又は変化率α％の範囲内でランダムに設定される。
ステップＳ７において、まず、状態変数計算部２２３は、各エージェントの位置の初期値を用いて潮流計算を実行し、各エージェントにおける目的関数の初期値を計算する。状態変数計算部２２３は、各エージェントにおける目的関数の初期値を、各エージェントにおけるｐｂｅｓｔの初期値として保持し、各エージェントにおけるｐｂｅｓｔの初期値の中で最小となるｐｂｅｓｔの値をｇｂｅｓｔとして保持する。
次に、状態変数計算部２２３は、探索回数ｉｔｅｒをセットし、速度に関する重み係数ｗを式(6)により計算し、速度ベクトルｖｉを式(5)を用いて更新する。そして、状態変数計算部２２３は、各エージェントの位置を式(4)を用いて更新する。なお、式(4)を用いて計算されたエージェントの位置が制約条件を逸脱した場合には、状態変数計算部２２３は、制約条件内に留まるようにエージェントの位置を修正する。
状態変数計算部２２３は、更新された各エージェントの位置を用いて潮流計算を再実行し、各エージェントにおける目的関数値を再計算する。状態変数計算部２２３は、各エージェントについて保持されたｐｂｅｓｔと再計算された目的関数値とを比較して、ｐｂｅｓｔを更新して保持する。そして、状態変数計算部２２３は、更新して保持されたｐｂｅｓｔの中で最小となるｐｂｅｓｔの値をｇｂｅｓｔとして更新して保持する。
状態変数計算部２２３は、探索回数ｉｔｅｒをインクリメントし、速度に関する重み係数ｗの計算以降の上述した処理を繰り返す。そして、計算回数ｉｔｅｒが最大探索回数ｉｔｅｒｍａｘに達すると、ステップＳ８において、状態変数計算部２２３は、保持しているｇｂｅｓｔのエージェントの位置を最適解として出力する。また、状態変数計算部２２３は、最適解であるエージェントの位置を記憶部２３に記憶させる。そして、一連の処理を終了させる計算終了時刻にならない限り（ステップＳ９で“ＮＯ”）、一連の処理は、ステップＳ２に戻り、次の計算時刻において上述したような一連の処理が再び実行される。
このように、実施形態に従った状態推定方法では、多点型探索アルゴリズムを用いた状態推定計算において、現在の測定値から計算された初期値と過去の状態推定計算で得られた解とが組み合わされ、現在の状態推定計算に過去の傾向が反映される。したがって、実施形態に従った状態推定装置によれば、状態推定計算により得られる解を実際の運用における値に近づけることが可能になり、計算精度を向上させることができる。また、過去の値と現在の値が類似している場合には効率的な状態変数の探索が可能になる。
次に、上述したような実施形態に従った状態推定方法は、実施形態に従った状態推定処理の手順を規律する状態推定プログラムを実行するコンピュータによっても実施可能である。図３は、実施形態に従った状態推定プログラムを実行するコンピュータの構成例を示す図である。
図３に示す構成例では、コンピュータ１０は、プロセッサの一例であるＣＰＵ１１と、ＲＡＭ等の主記憶装置１２と、ハードディスクドライブ等の補助記憶装置１３とを含む。また、コンピュータ１０は、キーボードやマウス等の入力装置１４と、液晶ディスプレイ又はＣＲＴディスプレイ等の出力装置１５とを更に含む。そして、コンピュータ１０は、可搬型記憶媒体へデータを書き込み且つ可搬型記憶媒体からデータを読み取る可搬型記憶媒体読み書き装置１６と、インターネット等の通信ネットワークと接続する通信インタフェース装置１７とを更に含む。コンピュータ１０に含まれるこれらの構成要素１１〜１７は、バス１８を介して相互に接続される。
実施形態に従った状態推定プログラムは、磁気ディスク、光ディスク、光磁気ディスク、又はフラッシュメモリ等の可搬型記憶媒体に記憶されてもよい。可搬型記憶媒体に記憶された潮流計算プログラムは、可搬型記憶媒体読み書き装置１６を介して読み取られ、補助記憶装置１３にインストールされる。また、実施形態に従った状態推定プログラムは、他のコンピュータ装置（図示せず）に格納された状態推定プログラムを通信インタフェース装置１７を介してコンピュータ１０が取得することによって、補助記憶装置１３にインストールされてもよい。ＣＰＵ１１は、状態推定プログラムを補助記憶装置１３から主記憶装置１２に読み出して状態推定プログラムを実行することによって、実施形態に従った状態推定プログラムを実行する。
実施形態に従った状態推定プログラムをコンピュータに実行させることによっても、実施形態に従った状態推定方法から得られる上述の効果を得ることができる。
本発明は、以上の実施の形態に限定されるものでなく、本発明の要旨を逸脱しない範囲内で種々の改良、変更が可能である。
例えば、状態推定装置２はセンサ付き開閉器４に接続された状態で動作しなくてもよい。この場合、状態推定装置２は、センサ付き開閉器４が接続されていたときに取得した過去の測定値を用いて上述したような処理を実行してもよい。
また、例えば、状態推定装置２はセンサ付き開閉器４に常時接続されなくてもよい。この場合、状態推定装置２は、測定値を入力部２１を介して取得してもよい。或いは、状態推定装置２は、測定値をセンサ付き開閉器４以外の装置（例えば、情報処理装置）から通信部２５を介して取得してもよい。或いは、状態推定装置２は、可搬型記憶媒体読み書き装置１６と同様の構成要素を更に備えてもよく、測定値が記憶された可搬型記憶媒体から該構成要素を介して測定値を取得してもよい。
上記のような構成によれば、状態推定装置２は、例えば、過去の測定値を用いて過去の状態推定を行うことで、配電系統の過去の状態を評価することができる。
１ 配電系統システム
２ 状態推定装置
３ 電源
４ センサ付き開閉器
５ ノード
６ 負荷
７ 電圧制御機器
８ 分散電源
９ 配電線
１０ コンピュータ
１１ ＣＰＵ
１２ 主記憶装置
１３ 補助記憶装置
１４ 入力装置
１５ 出力装置
１６ 可搬型記憶媒体読み書き装置
１７ 通信インタフェース装置
１８ バス
２１ 入力部
２２ 処理部
２３ 記憶部
２４ 出力部
２５ 通信部
２２１ 初期値計算部
２２２ 初期値取得部
２２３ 状態変数計算部

Claims (7)

  1. 配電系統に設置されたセンサの測定値に従って前記配電系統内の各点の状態変数に対する第１の初期値を計算し、前記第１の初期値の近傍値を計算する初期値計算部と、
    過去の状態推定結果の中から前記状態変数に対する第２の初期値を取得し、前記第２の初期値の近傍値を計算する初期値取得部と、
    前記第１の初期値、前記第１の初期値の前記近傍値、前記第２の初期値、及び前記第２の初期値の前記近傍値を前記状態変数に対する複数の初期値として多点型探索アルゴリズムを用いて前記状態変数を計算する状態変数計算部と
    を含む状態推定装置。
  2. 前記第２の初期値が計算された前記測定値が前記第１の初期値が計算された前記測定値と乖離する場合には、前記状態変数計算部は、前記第２の初期値及び前記第２の初期値の前記近傍値が前記複数の初期値に含まれる割合を少なくして前記状態変数を計算し、
    前記第２の初期値が計算された前記測定値が前記第１の初期値が計算された前記測定値に近い場合には、前記状態変数計算部は、前記第２の初期値及び前記第２の初期値の前記近傍値が前記複数の初期値に含まれる割合を多くして前記状態変数を計算する
    請求項１に記載の状態推定装置。
  3. 前記第２の初期値が計算された前記測定値の測定条件が前記第１の初期値が計算された前記測定値の測定条件と乖離する場合には、前記状態変数計算部は、前記第２の初期値及び前記第２の初期値の前記近傍値が前記複数の初期値に含まれる割合を少なくして前記状態変数を計算し、
    前記第２の初期値が計算された前記測定値の測定条件が前記第１の初期値が計算された前記測定値の測定条件に近い場合には、前記状態変数計算部は、前記第２の初期値及び前記第２の初期値の前記近傍値が前記複数の初期値に含まれる割合を多くして前記状態変数を計算する
    請求項１又は２に記載の状態推定装置。
  4. 前記初期値取得部は、前記第１の初期値が計算された前記測定値の測定条件に近い測定条件の測定値に従って計算された前記第２の初期値を取得し、
    前記状態変数計算部は、前記第２の初期値及び前記第２の初期値の近傍値を前記複数の初期値に所定の割合で含めて前記状態変数を計算する
    請求項１に記載の状態推定装置。
  5. 入力部、通信部、又は記憶媒体読み書き装置を更に備え、
    前記測定値は前記入力部、前記通信部、又は前記記憶媒体読み書き装置を介して取得される
    請求項１乃至４の何れか一項に記載の状態推定装置。
  6. 配電系統に設置されたセンサの測定値に従って前記配電系統内の各点の状態変数に対する第１の初期値を計算し、前記第１の初期値の近傍値を計算し、
    過去の状態推定結果の中から前記状態変数に対する第２の初期値を取得し、前記第２の初期値の近傍値を計算し、
    前記第１の初期値、前記第１の初期値の前記近傍値、前記第２の初期値、及び前記第２の初期値の前記近傍値を前記状態変数に対する複数の初期値として多点型探索アルゴリズムを用いて前記状態変数を計算する
    処理を含む状態推定方法。
  7. 配電系統に設置されたセンサの測定値に従って前記配電系統内の各点の状態変数に対する第１の初期値を計算し、前記第１の初期値の近傍値を計算し、
    過去の状態推定結果の中から前記状態変数に対する第２の初期値を取得し、前記第２の初期値の近傍値を計算し、
    前記第１の初期値、前記第１の初期値の前記近傍値、前記第２の初期値、及び前記第２の初期値の前記近傍値を前記状態変数に対する複数の初期値として多点型探索アルゴリズムを用いて前記状態変数を計算する
    処理をコンピュータに実行させる状態推定プログラム。
JP2017000163A 2017-01-04 2017-01-04 状態推定装置、状態推定方法、及び状態推定プログラム Active JP6801457B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017000163A JP6801457B2 (ja) 2017-01-04 2017-01-04 状態推定装置、状態推定方法、及び状態推定プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017000163A JP6801457B2 (ja) 2017-01-04 2017-01-04 状態推定装置、状態推定方法、及び状態推定プログラム

Publications (2)

Publication Number Publication Date
JP2018110488A JP2018110488A (ja) 2018-07-12
JP6801457B2 true JP6801457B2 (ja) 2020-12-16

Family

ID=62845238

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017000163A Active JP6801457B2 (ja) 2017-01-04 2017-01-04 状態推定装置、状態推定方法、及び状態推定プログラム

Country Status (1)

Country Link
JP (1) JP6801457B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7355333B2 (ja) 2020-02-28 2023-10-03 富士電機株式会社 情報処理装置、情報処理方法、プログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1073301A (ja) * 1996-08-28 1998-03-17 Daikin Ind Ltd 冷凍装置の制御装置
JP2004304896A (ja) * 2003-03-31 2004-10-28 Mitsubishi Electric Corp 電力系統モデルの簡易作成装置
JP2005304118A (ja) * 2004-04-07 2005-10-27 Nippon Telegr & Teleph Corp <Ntt> 分散型エネルギーシステムの制御装置および制御方法
JP5159695B2 (ja) * 2009-05-11 2013-03-06 中国電力株式会社 配電系統状態推定方法及び配電系統状態推定装置
US20110231320A1 (en) * 2009-12-22 2011-09-22 Irving Gary W Energy management systems and methods
JP5923454B2 (ja) * 2013-03-26 2016-05-24 株式会社日立製作所 電力系統管理装置、及び方法
JP6400467B2 (ja) * 2014-12-26 2018-10-03 株式会社日立パワーソリューションズ 風力発電量の予測方法

Also Published As

Publication number Publication date
JP2018110488A (ja) 2018-07-12

Similar Documents

Publication Publication Date Title
Hu et al. Forecasting energy consumption of long-distance oil products pipeline based on improved fruit fly optimization algorithm and support vector regression
Zhou et al. Prediction of the ground temperature with ANN, LS-SVM and fuzzy LS-SVM for GSHP application
JP2017112709A (ja) 電圧安定度監視装置および方法
Zhang et al. A novel deep reinforcement learning enabled sparsity promoting adaptive control method to improve the stability of power systems with wind energy penetration
AU2019348020B2 (en) Secure distributed state estimation for networked microgrids
US9843190B2 (en) Power system management device and method
US20210310461A1 (en) Distributed reinforcement learning and consensus control of energy systems
Ordiano et al. Nearest-neighbor based non-parametric probabilistic forecasting with applications in photovoltaic systems
JP6801457B2 (ja) 状態推定装置、状態推定方法、及び状態推定プログラム
Jiang et al. Distribution line parameter estimation considering dynamic operating states with a probabilistic graphical model
JP6756603B2 (ja) 電力系統の状態推定装置および状態推定方法
CN114418378A (zh) 基于lof离群因子检测算法的光伏发电上网数据校核方法
Tripathi et al. Kernel-extreme learning machine-based fault location in advanced series-compensated transmission line
Yuan et al. Improved particle filter for non-gaussian forecasting-aided state estimation
EP4148939A1 (en) System and method for controlling power distribution systems using graph-based reinforcement learning
CN114977222B (zh) 一种电力系统宽频振荡影响因素和传播路径分析方法
Sarangi et al. Fault Location Estimation Using Ensemble Averaging Decomposition and Hybrid Meta-Heuristic Optimized Kernel-Based ELM Technique for DG-Integrated Microgrid
Acurio et al. Design and Implementation of a Machine Learning State Estimation Model for Unobservable Microgrids
Yang et al. Parameter estimation in unbalanced three-phase distribution lines using general regression neural networks with inconsistent data handling capacity
Massaoudi et al. Bidirectional Gated Recurrent Unit Based-Grey Wolf Optimizer for Interval Prediction of Voltage Margin Stability Index in Power Systems
Lim et al. Voltage stability prediction on power system network via enhanced hybrid particle swarm artificial neural network
Aydin et al. Policy gradient play with networked agents in markov potential games
Farhoodnea et al. Power quality enhancement in distribution systems by optimal placement of dynamic voltage restorer
AU2020406229B2 (en) Data exchange and processing synchronization in distributed systems
CN113177702B (zh) 一种气象输入数据匹配方法及系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191216

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20201022

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201027

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201109

R150 Certificate of patent or registration of utility model

Ref document number: 6801457

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250