WO2023074058A1 - 電力系統制御装置および方法 - Google Patents

電力系統制御装置および方法 Download PDF

Info

Publication number
WO2023074058A1
WO2023074058A1 PCT/JP2022/027239 JP2022027239W WO2023074058A1 WO 2023074058 A1 WO2023074058 A1 WO 2023074058A1 JP 2022027239 W JP2022027239 W JP 2022027239W WO 2023074058 A1 WO2023074058 A1 WO 2023074058A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
prediction
power system
load demand
base value
Prior art date
Application number
PCT/JP2022/027239
Other languages
English (en)
French (fr)
Inventor
邦彦 恒冨
英佑 黒田
伸也 大原
泰之 多田
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2023074058A1 publication Critical patent/WO2023074058A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means

Definitions

  • the present disclosure relates to technology for predicting the state of a power system and stably controlling the power system.
  • Patent Document 1 describes a phase modifying equipment operation method that creates an effective phase modifying equipment operation plan for the operator to grasp the future situation in which a VQC (Voltage and reactive power control) device controls the phase modifying equipment.
  • VQC Voltage and reactive power control
  • a planning apparatus and phase modifying facility operation planning method are disclosed.
  • the phase modifying operation planning means inputs the total demand forecast value for each time zone of the next day from the second memory, then searches the total demand record in the first memory, Detects the total demand for each input time period and the date and time period of the closest past total demand, reads the phase modifying equipment operation results and tap operation results for the time period of the detected past date and time, and reads the read phase modifying equipment
  • the operation result and the tap operation result are written in the third memory as the phase modifying facility operation plan and the tap operation plan for the relevant time zone on the next day.
  • the local load demand will indicate a value that includes the amount of power generated by renewable energy.
  • Renewable energy generation fluctuates irregularly. For example, the amount of power generated by photovoltaic power generation during the daytime on cloudy days varies irregularly and rapidly. Therefore, when the local side of the electric power system is viewed from the upper side, fluctuations in load demand appear irregular. For example, there may be multiple sharp increases or decreases in load demand. Then, the load demand has a period with a large fluctuation range and a period with a small fluctuation range, which makes it difficult to predict the local load demand.
  • the total demand forecast value for each time slot of the next day is calculated, and the past time slot showing the total demand actual value closest to the calculated total demand forecast value is specified.
  • the control plan for the power plant is determined based on the operational performance of the time period determined. However, if the fluctuation range of the load demand is large, the difference between the total demand forecast value for the next day and the past actual total demand becomes large. In that case, the necessary or sufficient control is not performed at the power plant, and there is a risk of an excess or deficiency of electric power. Excess or shortage of electric power in a power system can cause voltage deviation or overload.
  • One purpose of the present disclosure is to provide technology that enables appropriate control of the power system in consideration of load demand fluctuations.
  • a power system control device is a prediction base value that is a component of a load demand that is equal to or greater than a predetermined period after the prediction target time of the power system, based on the actual load demand representing the actual load demand of the power system. and a predicted fluctuation range representing the degree of fluctuation from the predicted base value of the load demand after the prediction target time; and an operation value for controlling the power system based on the predicted base value and the predicted fluctuation range. and an operation value calculation unit that calculates by
  • FIG. 1 is a block diagram of a power system control device according to Embodiment 1;
  • FIG. It is a block diagram which shows the whole structure containing a structure of an electric power system and its control equipment. It is a block diagram which shows the hardware constitutions of a power system control apparatus.
  • 4 is a flowchart showing an example of overall processing by the power system control device of Embodiment 1; It is a figure which represents typically a series of processes from learning to prediction. 4 is a graph of actual measured values and predicted values of load demand;
  • FIG. 10 is a block diagram of a power system control device according to a second embodiment; 10 is a flowchart showing an example of overall processing by the power system control device of Embodiment 2; It is a figure which shows the mode of ensemble prediction.
  • FIG. 1 is a block diagram of a power system control device according to Embodiment 1.
  • FIG. 1 is a block diagram of a power system control device according to Embodiment 1.
  • the power system control device 10 has a machine learning prediction unit 101, an operating value calculation unit 102, and an output unit 39.
  • the machine learning prediction unit 101 includes a filter processing unit 31 , a base value machine learning unit 32 , a base value prediction unit 33 , a variation range machine learning unit 34 and a variation range prediction unit 35 .
  • the operation value calculation unit 102 has a system state calculation unit 36 , a verification unit 37 and a predicted value correction unit 38 .
  • the power system control device 10 stores load demand record data D1, set value data D2, deviation condition data D3, and system equipment data D4 in a database as input data.
  • the power system control device 10 calculates an operation value for controlling the power system in the operation value calculation unit 102 and outputs the operation value to the output unit 39 .
  • the data output to the output unit 39 includes one or more of a predicted value of the base value (prediction base value), a predicted value of the fluctuation range (predicted fluctuation range), and a correction value, in addition to the operation value. may
  • the output unit 39 displays or outputs various data including operation values to the outside.
  • Embodiment 1 the following series of processes are generally executed in order to achieve appropriate control of the electric power system.
  • the filter processing unit 31 performs filter processing on the actual load demand data D1, which is time-series information of power system information acquired in the past.
  • This filtering process separates the actual load demand into a base value (actual base value) and a variation range (actual variation range).
  • the base value is a component of the load demand that has a period longer than or equal to a predetermined reference period.
  • the fluctuation range is an index that indicates the degree of fluctuation from the base value of the load demand.
  • the index representing the fluctuation range is not particularly limited, but may be determined based on the standard deviation of the load demand, for example.
  • the base value machine learning unit 32 and the fluctuation range machine learning unit 34 machine-learn the base value data and the fluctuation range separated from the actual load demand, respectively, and create prediction models (base value prediction model, fluctuation range prediction model). ).
  • the base value prediction unit 33 and the fluctuation range prediction unit 35 use their prediction models to predict the base value and the fluctuation range in the future load demand.
  • the system state calculation unit 36 calculates the system state using the predicted value of the base value, the system equipment data, and the power system control information, and based on the result, calculates the operation value for controlling the power system.
  • the system equipment data is information about the configuration of each equipment included in the power system.
  • the power system control information is information related to control of control equipment.
  • the verification unit 37 uses the operation value and the predicted value of the fluctuation width to determine whether the system state corresponds to a predetermined deviation condition, for example, the index value (state evaluation index value) representing the system state is a predetermined value. It verifies whether or not the state of exceeding the threshold of continues beyond a predetermined set time.
  • a predetermined deviation condition for example, the index value (state evaluation index value) representing the system state is a predetermined value. It verifies whether or not the state of exceeding the threshold of continues beyond a predetermined set time.
  • the predicted value correction unit 38 uses the deviation amount, the predicted base value, and the set value data to set a correction value for correcting the predicted base value. decide.
  • the set value data includes preset values for use in calculations for determining correction values. For example, if the correction value is calculated from the deviation amount indicating how much the index value deviates from the threshold value, the calculation formula may be included in the set value data as the set value.
  • Systematic processing is performed to correct the predicted value of the base value with the correction value, calculate the system state again to calculate the operation value, and use the new operation value to verify whether the system state corresponds to the deviation condition. Repeat until the state no longer corresponds to a deviation, or until a predetermined termination condition is met.
  • the predetermined end condition may be, for example, that the above process is repeated a preset upper limit number of repetitions.
  • the set value of the upper limit number of repetitions may be included in the set value data described above.
  • the verification unit 37 outputs the operational value to the output unit 39 .
  • FIG. 2 is a block diagram showing the overall configuration including the configuration of the power system and its control equipment.
  • the power system control device 10 is connected to the measuring device 44 and the individual control device 45 of the power system 100 via the communication network 300 .
  • the power system control device 10 receives the data measured by the measuring device 44 , calculates the operating value using the data, and transmits it to the individual control device 45 .
  • the system state of the power system 100 is reflected in the data measured by the measuring device 44 .
  • Power system 100 includes power supply 110, nodes (bus lines) 120 and 121, branch (line) 140, load 150, power capacitor 160 (SC: Static Condenser), and shunt reactor (ShR: Shunt Reactor). ) 170 and various facilities including:
  • power system 100 may be configured to include one or more of other measurement devices and controllable devices (not shown).
  • Controllable devices include, for example, batteries, rechargeable secondary batteries, electric vehicle (EV) storage batteries, flywheels, and other phase modifying equipment (SVC (Static Var Compensator), SVG (Static C Var Generator: static reactive power generator), LPC (Loop Power Controller: transformer with phase adjuster), and the like.
  • the power supply 110 may be, for example, a rotating system power supply such as a thermal power generator, a hydraulic power generator, or a nuclear power generator, or a distributed power supply such as a solar power generation or a wind power generation via an inverter. It may be an inverter-connected power supply connected to the .
  • the measuring device 44 for example, node voltage V, branch current I, active power P, reactive power Q, power factor cos ( ⁇ ), tap value, switching information of nodes, branches, transformers, SC, ShR, etc. It is a device that measures one or more index values of the system state such as. Devices for measuring system state index values include a voltage transformer (VT), a potential transformer (PT), and a current transformer (CT).
  • VT voltage transformer
  • PT potential transformer
  • CT current transformer
  • the measurement device 44 has a function of transmitting data including the measured index value, the data measurement point identification ID, and/or the built-in time stamp of the measurement device.
  • the data may include, for example, measurement information (Telemeter (TM)) and/or display information (Super Vision (SV)). It may be a device that measures power information with absolute time (voltage phasor information).
  • the measurement device 44 may be a phase measurement device (PMU: Phasor Measurement Units). Moreover, the measuring device 44 may be another measuring device.
  • PMU Phasor Measurement Units
  • the measuring device 44 is assumed to be in the electric power system 100, but the power source 110, the transformer 130, the tapped transformer 131, the load 150, the power capacitor 160, the shunt reactor 170, and the measuring device 44 It may be installed on a bus line or a railroad line connected to the individual control device 45 .
  • the load demand actual value data D1 the measured values used in the processing by the system state calculation unit 36 and the verification unit 37 are the power factor cos ( ⁇ ) measured by the measuring device 44, the active power P, the reactive power Q, Either one or more data. These data are sent from the measuring device 44 to the power system control device 10 via the communication network 300 .
  • the measured value data from the measuring device 44 is collected once in a monitoring device (not shown), and sent to the communication network 300 from the monitoring device. may be transmitted to the power system control device 10 via.
  • the measured value data may include a unique number for identifying the data and a time stamp in addition to the measured value.
  • the monitoring device is, for example, a central load dispatching center, a system stability monitoring server, or the like.
  • the measurement value data directly transmitted from the measuring device 44 to the power system control device 10 and the measurement value data once aggregated by the monitoring device and then transmitted to the power system control device 10 may be mixed.
  • FIG. 3 is a block diagram showing the hardware configuration of the power system control device.
  • a display unit 11 an input unit 12 such as a keyboard and a mouse, a communication unit 13, a computer or computer server (CPU: Central Processing Unit) 14, a memory 15, and various databases are connected to a bus. It is connected to line 43 .
  • the display unit 11 is configured as, for example, a display device.
  • Various databases include a load demand record database 21 , a deviation condition database 22 , a set value database 23 and a program database 51 .
  • FIG. 3 shows a program database 51 storing software programs for realizing the processing of each unit, and databases 21, 22, and 23 storing various data used in the processing.
  • Device 10 may also include a database that stores data generated as a result of processing.
  • the actual load demand database 21 is a database that stores the actual load demand data D1.
  • the deviation condition database 22 is a database that stores the deviation condition data D3.
  • the setting value database 23 is a database in which setting value data D2 is stored.
  • the program database 51 is a database in which data of software programs executed by the power system control device 10 are stored.
  • the display unit 11 is, for example, a display device that displays text and images on the screen.
  • the display unit 11 may include a printer device and/or an audio output device together with the display device.
  • the input unit 12 includes at least one of, for example, a keyboard switch, a pointing device such as a mouse, a touch panel, and a voice instruction device.
  • the communication unit 13 includes a circuit for connecting the power system control device 10 to the communication network 300, and includes a communication protocol for realizing communication in an executable manner.
  • the CPU 14 reads a predetermined computer program from the program database 51 and executes it.
  • the CPU 14 may be composed of one or more semiconductor chips, or may be a computer device such as a calculation server.
  • the memory 15 is, for example, a RAM (Random Access Memory), and stores computer programs read from the program database 51, and stores calculation result data and image data required for each process.
  • the screen data stored in the memory 15 is sent to the display unit 11 and displayed on the screen.
  • the program database 51 stores, for example, a filtering program P31, a base value machine learning program P32, a base value prediction program P33, a fluctuation range machine learning program P34, a fluctuation range prediction program P35, a system state calculation program P36, a verification program P37, a prediction A value correction program P38 and an output program P39 are stored.
  • the CPU 14 executes various programs read from the program database 51 to the memory 15 .
  • the filter processing unit 31 shown in FIG. 1 is realized by executing the filter processing program P31.
  • the base value machine learning unit 32 of FIG. 1 is realized by executing the base value machine learning program P32.
  • the base value prediction unit 33 of FIG. 1 is realized by executing the base value prediction program P33.
  • the fluctuation width machine learning unit 34 of FIG. 1 is realized by executing the fluctuation width machine learning program P34.
  • the fluctuation width prediction unit 35 of FIG. 1 is realized by executing the fluctuation width prediction program P35.
  • the system state calculation unit 36 of FIG. 1 is realized by executing the system state calculation program P36.
  • the verification unit 37 of FIG. 1 is realized by executing the verification program P37. Execution of the predicted value correction program P38 implements the predicted value correction unit 38 of FIG.
  • the output unit 39 in FIG. 1 is realized by executing the output program P39.
  • Temporary data and calculation result data in calculations by various programs, and image data of screens for accepting user's instruction operations required for calculations or for displaying calculation results are temporarily stored in the memory 15 .
  • the image data stored in the memory 15 is then displayed on the display screen or the like by the display section 11 .
  • the screen displayed by the power system control device 10 may be only a simple screen for rewriting various programs and databases.
  • the actual load demand database 21 stores, for example, time-series values of the active power load of each substation as the actual load demand data D1.
  • An example of load demand is shown in FIG.
  • the actual load demand is shown in the portion before the prediction target time in FIG.
  • the actual load demand data D1 is measured value data as described above.
  • the actual load demand data D1 may be obtained, for example, by proportionally dividing the total demand data held by the central load dispatching office.
  • Each substation may be for each node. If there is no measuring device for each node, the estimated value of the load demand of each node may be calculated from the measured value measured by the measuring device.
  • the power system controller 10 may obtain actual load demand data stored in other systems such as a supervisory controller, a central load dispatch center, or an EMS.
  • the actual load demand data may be manually input to the power system control device 10 .
  • Data may be manually input from the input unit 12 .
  • the power system control device 10 may display a data input screen on the display unit 11 when inputting manually.
  • the power system control device 10 may be semi-manual so that a large amount of data can be easily input by a data complementing function.
  • the active power load PL and the reactive power load QL can be calculated by existing methods.
  • Takaharu Ishida et al. "Predictive anticipatory voltage reactive power control method for trunk system using LP method", Theory of Electrical Engineering B, Vol. 117, 8 No. 1997, p.3216-1120 may be used.
  • ELD Economic Load Dispatching
  • the substation-specific active power load may be calculated using Equation (1) from total demand data and substation load-to-total demand ratio data.
  • P li is the active power load estimation result of substation i.
  • P all is the total demand estimation result.
  • ratio i is the ratio of active power load to total demand at substation i.
  • the substation-specific reactive power load may be estimated and calculated using Equation (2) from the estimation result of the substation-specific active power load and the substation load PQ correlation data.
  • Q li f i (P li ) (2)
  • Equation (2) Q li is the reactive power load estimation result of substation i.
  • f i is the PQ correlation of substation i.
  • the deviation condition database 22 stores, as deviation condition data D3, criteria for determining whether the system state of the power system 100 is unstable.
  • the system state becomes unstable, which is called a deviation.
  • Deviation conditions which are judgment criteria for determining whether or not a deviation is applicable, include, for example, thresholds for index values that indicate system status, such as voltage, heat capacity, and power flow, and deviation if the index values continue to exceed the thresholds. or a set number of times to determine that the index value continuously exceeds the threshold.
  • the deviation condition data D3 may be set in the power system control device 10 remotely from the supervisory control device, the central power dispatch center, or the EMS. Alternatively, the deviation condition data D3 may be manually input to the power system control device 10 . In the case of manual operation, data may be manually input from the input unit 12 . Note that the power system control device 10 may display a data input screen on the display unit 11 when inputting manually. Further, in order to reduce data input work, the power system control device 10 may be semi-manual so that a large amount of data can be easily input by a data complementing function.
  • the set value database 23 stores, as set value data D3, a correction range (correction value) indicating how much the base prediction value is to be corrected with respect to the amount of deviation as shown in FIG.
  • the correction value may be obtained from the amount of deviation using four arithmetic operations, a linear expression, a quadratic expression, or the like, or may be obtained using a discrete value expression, a non-linear expression, or the like. These data may be stored using the input unit 12 of the power system control device 10, or may be stored from other monitoring devices.
  • the setting value database 23 stores setting values for determining how much the base prediction value is to be corrected when the system state corresponds to deviation as the setting value data D2.
  • a correction value may be obtained from the amount of deviation by a predetermined calculation such as four arithmetic operations, a linear expression, or a quadratic expression. Also, a discrete value formula or a non-linear formula may be used for calculation. In such a case, the calculation method may be stored in the setting value database 23 as the setting value data D2.
  • the set value data D2 may be input from the input unit 12 to the power system control device 10, or may be input from another monitoring device.
  • FIG. 4 is a flowchart illustrating an example of overall processing by the power system control device according to the first embodiment
  • step S30 the actual load demand data D1, which is the time-series information of the power system information, is read.
  • step S40 filter processing is performed using the actual load demand data D1 to separate the actual load demand into a base value and fluctuation range.
  • steps S50 to S54 machine learning is performed on the base value and fluctuation range for the set period, respectively, and the base value and fluctuation range for a preset future period are predicted.
  • step S60 the system state is calculated using the predicted value of the base value, the system facility data, and the power system control information, and the operation value is determined according to the calculation result.
  • step S70 the system state considering the fluctuation range is calculated using the predicted fluctuation range, the operating value, and the system equipment data.
  • step S71 it is determined whether or not the calculation results meet the departure conditions set in the departure condition data D3. If the deviation condition is satisfied (Yes), in step S80, the deviation amount, the predicted base value, and the set value data D2 are used to determine the correction value of the predicted base value, and the process returns to step S60. Using the predicted value with the corrected base, the system state is calculated again to calculate the operation value.
  • step S90 If it is determined in step S71 that the deviation condition is no longer met (No), in step S90, the actual load demand data D1, the predicted base value, the predicted fluctuation range, the operating value, and the deviation condition data D3 are executed. , the set value data D2, and the correction value. Further, even if the departure condition is satisfied in the judgment of step S71, if the processing of steps S60 to S80 is repeated a predetermined number of times, the process proceeds to step S90 and data is output.
  • Output here means to display data such as operational values on the screen in a format that can be viewed by operators and planners, to output control commands based on operational values to controlled objects, and to output plans (not shown). transmitting to the system;
  • the data of the calculation results in each step and the data recorded in the memory during the calculation may be output to another monitoring device and sequentially displayed on the screen. This allows an operator or a planner to easily grasp the operation status of the power system control device 10 .
  • step S30 the power system control device 10 reads the actual load demand data D1, which is the time-series information of the power system information.
  • step S40 the power system control device 10 performs filter processing using the actual load demand data D1 to separate the actual load demand into a base value and a fluctuation range.
  • An example of a filtering method will now be described.
  • the filter used here is a device such as a high-pass filter, a low-pass filter, a band-pass filter, or the like, which passes a component that fluctuates at a set cycle or removes a component with a cycle other than the set cycle.
  • a high-pass filter such as a high-pass filter, a low-pass filter, a band-pass filter, or the like.
  • step S50 the power system control device 10 determines whether machine learning of the base value and fluctuation range is required.
  • the power system control device 10 proceeds to step S51 if machine learning is required, and proceeds to step S53 if machine learning is not required.
  • Whether or not machine learning is necessary is determined by whether machine learning for the base value and machine learning for the fluctuation range have been completed.
  • a learning completed flag is added to the learning data, and whether or not machine learning is necessary is determined based on whether the learning completion flag is added to the learning data. good.
  • the learned flag is removed, and after a certain period of time has passed since the previous machine learning, machine learning is performed again to periodically update the prediction model.
  • an alarm to that effect may be output. Also, when the prediction calculation of the base value prediction unit 33 by the prediction model by machine learning of the base value machine learning unit 32 cannot be executed normally, or when the fluctuation range prediction unit 35 by the prediction model by machine learning of the fluctuation range machine learning unit 34 When the predictive calculation cannot be executed normally, an alarm to that effect may be output. As a result, there is an effect that the operator or the planner can be notified of whether or not there is a problem in the operation of the power system control device 10 .
  • step S51 the power system control device 10 performs machine learning using base value data separated from the actual load demand, and generates a prediction model for predicting the base value.
  • FIG. 5 is a diagram schematically showing a series of processes from learning to prediction.
  • FIG. 1 An example of learning data is shown in the upper part of FIG. Here, there is data for the past few days, days (d-3), (d-2), and (d-1). It is shown. Time is used as an explanatory variable, and P or T is used as an objective variable. Using this learning data, a prediction formula for predicting the objective variable P or T at each time point (t to t+55) is obtained by a regression model. The prediction formula for t is shown in Equation 3, and the prediction formula for t+55 is shown in Equation 4.
  • (d, t) indicates the prediction target date and time.
  • d is the prediction target date
  • t is the prediction target time.
  • d-1 is the day before the prediction target date.
  • t-60 is 60 minutes before the prediction target time.
  • T(d, t-60) on the right side is the temperature T of the weather data 60 minutes before the prediction target time on the prediction target date.
  • P(d-1, t-60) is the active power P measured 60 minutes before the prediction target time on the day before the prediction target date.
  • P(d, t-60) is the active power P measured 60 minutes before the prediction target time on the prediction target date.
  • Formula (3) is a regression formula for calculating the predicted value of the active power P at the prediction target time on the prediction target day from the current day's weather data and the active power measurement data for the previous day and the current day.
  • d is the prediction target date
  • t is the prediction target time.
  • d-1 is the day before the prediction target date.
  • t-60 is 60 minutes before the prediction target time.
  • t+55 is 55 minutes after the prediction target time.
  • P(d-1, t+60) on the right side is the active power P measured 60 minutes after the prediction target time on the day before the prediction target date.
  • linear regression or reduced regression may be used for the regression model here.
  • contraction regression the influence of multicollinearity can be reduced, and prediction accuracy can be improved.
  • step S52 the power system control device 10 performs machine learning using the fluctuation range data separated from the actual load demand, and generates a prediction model for predicting the fluctuation range.
  • the fluctuation range may be, for example, a fluctuation range of ⁇ where ⁇ is the standard deviation, that is, 2 ⁇ .
  • the method of machine learning for fluctuation range is basically the same as the method for machine learning of base value.
  • step S53 the power system control device 10 uses the prediction model obtained in step S51 to calculate the predicted value of the base value for a predetermined set period from the prediction target date and time.
  • the lower part of FIG. 5 shows a graph representing the actually measured or predicted active power (objective variable) before and after the prediction target date and time.
  • the predicted value of the active power P from the prediction target date and time (d, t) to (d, t+60), which is one hour later, is indicated by white circles.
  • step S54 the power system control device 10 uses the prediction model obtained in step S52 to calculate the predicted value of the fluctuation range for a predetermined set period from the prediction target date and time.
  • FIG. 6 is a graph of actual measured values and predicted values of load demand.
  • FIG. 6 is a graph showing the measured load demand before the prediction target time and the predicted load demand after the prediction target time.
  • a graph representing the actual measured value of load demand and a gram representing the base value separated from the actual measured value of load demand are shown.
  • a graph showing the predicted value of the base value and graphs showing the fluctuation range above and below the graph are shown.
  • the fluctuation range is indicated by a graph of base value+standard deviation ⁇ 2 and a graph of base value ⁇ standard deviation ⁇ 2.
  • the fluctuation range is indicated by the standard deviation ⁇ 2, but it is not limited to this.
  • the fluctuation range may be another value such as standard deviation ⁇ 2, or may be changeable by setting.
  • step S60 the power system control device 10 calculates the system state of the power system 100 using the predicted value of the base value, the system facility data, and the power system control information. Calculate the operation value used for the control of For example, the predicted value of this base value is used to calculate the operating value (Vref(t)) of the voltage reactive power control.
  • This operational value is, for example, the voltage target value of the individual controllers 45 for maintaining the voltage-reactive power balance of a certain area.
  • the individual control device 45 receives one or more of the fluctuation width prediction result data D13 at a preset cycle, and performs voltage reactive power control.
  • step S70 the power system control device 10 verifies the system state using the predicted value of the fluctuation width, the operation value, and the system equipment data.
  • the power system 100 is operated with the operation value obtained in step S60, it is verified whether the index value of the system state does not deviate from the threshold when the load demand becomes the predicted value of the fluctuation range.
  • step S71 the power system control device 10 determines whether or not the system state corresponds to the deviation condition indicated in the deviation condition data D3 as a result of the verification in step S70. If the system state corresponds to the deviation condition, the power system control device 10 proceeds to step S80. If the system state does not meet the deviation condition, the power system control device 10 proceeds to step S90.
  • step S80 the power system control device 10 corrects the predicted base value using the deviation amount indicating how much the system state deviates from the threshold value, the predicted base value, and the set value data D2. Determine the value and return to step S60.
  • the operating value can be corrected so as to reduce the amount of deviation, so there is an effect that system stability of the power system can be maintained.
  • the power system control device 10 uses the predicted base value and the correction value to calculate the system state of the power system 100 again, recalculate the operating value, and proceed to step S70. move on. Then, in steps S70 and S71, the power system control device 10 verifies and determines again whether the system state corresponds to the deviation condition. The power system control device 10 proceeds to step S90 when the system state does not correspond to the deviation condition or when the process is repeated a preset number of times. As a result, even if the output of renewable energy fluctuates over time due to the weather, it is possible to prevent a phenomenon in which system stability is extremely deteriorated, and supply reliability can be improved.
  • step S90 the power system control device 10 generates the actual load demand data D1, the predicted value of the base value, the predicted value of the fluctuation range, the operating value, the deviation condition data D3, the set value data D2, and the correction value. and one or more of The output here includes displaying operation values and the like on the screen in a format that can be viewed by operators and planners, outputting control commands to controlled objects, and outputting to a planning system. By displaying this information on the screen, the operator or planner can easily visually grasp how much variation is possible in the displayed time period. For example, if the graph shown in FIG. 6 is displayed on the screen, the operator or planner can easily visually grasp how the load demand changes and how much it fluctuates.
  • the power system control device 10 uses the machine learning prediction unit 101 to predict the power system 100 after the prediction target time based on the actual load demand representing the actual load demand of the power system 100 . and a predicted fluctuation range representing the degree of fluctuation from the predicted base value of the load demand after the prediction target time.
  • An operation value for controlling the system 100 is calculated based on the prediction base value and the prediction fluctuation range. As a result, since the operation value is calculated based on the prediction base value and the prediction fluctuation range, it is possible to appropriately control the electric power system in consideration of the fluctuation of the load demand.
  • the operation value calculation unit 102 calculates an operation value based on the prediction base value, and corrects the operation value based on the predicted fluctuation range. Therefore, the operation value is calculated based on the forecast base value, and the operation value is corrected based on the forecast fluctuation range. can be done.
  • the operating value calculation unit 102 calculates a state evaluation index value for evaluating the state of the power system 100 based on the predicted fluctuation range and the operating value, and the state evaluation index value corresponds to a predetermined deviation condition. If the state evaluation index value satisfies the deviation condition, the process of correcting the operating value is repeated until the state evaluation index value no longer satisfies the deviation condition. As a result, the operating value is corrected until the state evaluation index value no longer satisfies the predetermined deviation condition, so an appropriate operating value can be calculated.
  • the operation value calculation unit 102 determines a set period and a set number of times in advance. It is determined that the deviation condition is met. As a result, sensitive fluctuations in the operating value can be suppressed by providing protection for the correction of the operating value.
  • the operational value includes one or more of a battery, a rechargeable secondary battery, an electric vehicle storage battery, a flywheel, a static reactive power generator, and a transformer with a phase adjuster, and controls the power system 100. It is a voltage target value or a reactive power target value to be given to the control device. As a result, the operation value for controlling the equipment included in the power system 100 is obtained, so the corrected operation value can be used for the control of the power system.
  • the output unit 39 further has a screen display of a graph that expresses the actual load demand up to the prediction target time and the prediction base value and the prediction fluctuation range after the prediction target time.
  • the machine learning prediction unit 101 calculates a performance base value, which is a component having a period equal to or longer than the reference period included in the actual load demand, and a variation of the actual load demand from the actual base value. Calculate the actual fluctuation range that represents the degree, generate a base value forecast model by learning the actual base value, generate a fluctuation range forecast model by learning the actual fluctuation range, and use the base value forecast model A prediction base value is calculated, and the predicted fluctuation range is calculated using a fluctuation range prediction model. By machine learning that separates the base value and the variation width, it is possible to calculate an operation value that is suitable for control of a power system in which load demand fluctuations are irregular.
  • the machine learning prediction unit 101 uses one or a combination of a high-pass filter, a low-pass filter, and a band-pass filter to extract a component of the reference period or longer from the actual load demand, and uses it as the actual base value. Since the actual base value is separated from the actual load demand by the filter, the actual base value can be easily calculated.
  • the machine learning prediction unit 101 warns when at least one of the calculation for calculating the prediction base value using the base value prediction model and the calculation for calculating the predicted fluctuation range using the fluctuation range prediction model cannot be performed normally. to output
  • prediction by machine learning there are cases where normal prediction calculation cannot be executed for input data in a region far from learning data.
  • an abnormal state that is far from the learning data, which is the past performance, can be detected and an alarm can be issued.
  • the machine learning prediction unit 101 generates a base value prediction model and a fluctuation range prediction model by learning regression equations. By using the regression formula, it becomes possible to appropriately predict the time-series load demand.
  • the load demand is separated into a base value and a fluctuation range, each of which is machine-learned to generate a prediction model for each, and using each prediction model, the future base value and fluctuation range are predicted. Calculated.
  • Example 2 differs from Example 1 in the method of calculating the base value and the predicted value of the fluctuation range.
  • the ensemble prediction is used to calculate the base value and the predicted value of the fluctuation range. This simplifies configuration and processing.
  • FIG. 7 is a block diagram of the power system control device according to the second embodiment.
  • a power system control device 10 of Example 2 shown in FIG. 7 differs from that of Example 1 shown in FIG.
  • FIG. 8 is a flow chart showing an example of overall processing by the power system control device of the second embodiment.
  • the flowchart of the overall processing by the power system control device 10 of the second embodiment shown in FIG. 8 differs from that of the first embodiment shown in FIG. 4 in that it has step S55 instead of steps S40 to S54.
  • step S55 the power system control device 10 calculates the predicted value of the base value and the predicted value of the fluctuation range by ensemble prediction.
  • Ensemble forecasting is a forecasting method that performs future forecasting using multiple scenarios with different initial values, and calculates forecasting results by statistically processing the multiple scenario forecasting results.
  • FIG. 9 is a diagram showing how ensemble prediction is performed. Graphs of predicted values (prediction results) of load demand for each scenario are shown after the prediction target time.
  • the ensemble prediction unit 103 uses the average value of a plurality of scenario prediction results, that is, the ensemble average, as the predicted base value. Then, the width of the range in which a plurality of scenario prediction results are included with a predetermined probability is set as the predicted value of the variation width.
  • the predetermined probability may be 50%, for example.
  • the power system control device 10 of the second embodiment may display the predicted value of the base value of the ensemble prediction and the predicted value of the variation width in a graph. Moreover, the power system control device 10 may further display the prediction result of each scenario in the form of a graph.
  • the operator can easily visually grasp how much fluctuation is possible in which time period, and can quickly determine the time period in which conservative operation should be performed and the time period in which active operation should be performed. It is possible to maintain system stability of the power system and improve economic efficiency.
  • there is an effect that an operator or a planner can reduce the effort of setting operation values.
  • by outputting information on predicted values and operation values as commands and outputting them to a planning system there is an effect that it is possible to maintain system stability and improve economic efficiency of the power system.
  • the power system control device 10 uses the ensemble prediction unit 103 to perform ensemble prediction based on actual load demand, which is a predicted value of load demand after the prediction target time in a plurality of scenarios.
  • a demand forecast value is predicted, the average value of the load demand forecast values in a plurality of scenarios is used as a forecast base value, and the width of the range in which the load demand forecast values in the plurality of scenarios are included with a predetermined probability is set as a forecast fluctuation range.

Landscapes

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

Abstract

負荷需要の変動を考慮した電力系統の適切な制御を可能にする。電力系統制御装置は、電力系統の負荷需要の実績を表す負荷需要実績に基づいて、電力系統の予測対象時刻以降における負荷需要の所定周期以上の成分である予測ベース値と、予測対象時刻以降における負荷需要の予測ベース値からの変動の程度を表す予測変動幅とを予測する予測部と、電力系統を制御するための運用値を予測ベース値と予測変動幅に基づいて算出する運用値算出部と、を有する。

Description

電力系統制御装置および方法
　本開示は、電力系統の状態を予測し、電力系統を安定して制御するための技術に関する。
　特許文献１には、ＶＱＣ（Ｖｏｌｔａｇｅ　ａｎｄ　ｒｅａｃｔｉｖｅ　ｐｏｗｅｒ　Ｃｏｎｔｒｏｌ）装置が調相設備を制御していく先々の状況を運用者が把握するために有効な調相設備の運用計画を作成する調相設備運用計画装置および調相設備運用計画方法が開示されている。調相設備運用計画装置において、調相運用計画手段は、第２のメモリから翌日の各時間帯の総需要予測値を入力し、次に第１のメモリの総需要実績記録を検索して、入力した各時間帯の総需要と最も近い過去の総需要の日時と時間帯を検出し、検出した過去の日時の時間帯の調相設備運用実績およびタップ運用実績を読み込み、読み込んだ調相設備運用実績およびタップ運用実績を翌日の当該時間帯の調相設備運用計画およびタップ運用計画として第３のメモリに書き込む。
特開２０１０－１８３７６１号公報
　需要家において太陽光発電や風力発電などの再生可能エネルギーの発電設備が負荷に連係されると、ローカルな負荷需要は再生可能エネルギーの発電量を含んだ値を示すことになる。再生可能エネルギーの発電量は変動が不規則である。例えば、曇天の日中における太陽光発電による発電量は不規則かつ急激に変化する。そのため、電力系統の上位側からローカル側を見ると負荷需要の変動が不規則に見える。例えば、負荷需要に急激な増加あるいは減少が複数回起こるということがあり得る。そして、負荷需要に変動幅が大きい期間と変動幅が小さい期間とが生じ、ローカルな負荷需要の予測が困難となる。
　特許文献１に開示された手法では、翌日の各時間帯の総需要予測値を算出し、その算出した総需要予測値に最も近い総需要実績値を示した過去の時間帯を特定し、特定した時間帯の運用実績に基づいて発電所の制御計画を決定する。しかしながら、負荷需要の変動幅が大きいと、翌日の総需要予測値と過去の総需要実績との差が大きくなる。その場合、発電所にて必要なあるいは十分な制御が行われず、電力の過不足が発生する恐れがある。電力系統において電力の過不足は電圧の逸脱あるいは過負荷などの要因となりうる。
　本開示のひとつの目的は、負荷需要の変動を考慮した電力系統の適切な制御を可能にする技術を提供することである。
　本開示のひとつの態様による電力系統制御装置は、電力系統の負荷需要の実績を表す負荷需要実績に基づいて、電力系統の予測対象時刻以降における負荷需要の所定周期以上の成分である予測ベース値と、予測対象時刻以降における負荷需要の予測ベース値からの変動の程度を表す予測変動幅とを予測する予測部と、電力系統を制御するための運用値を予測ベース値と予測変動幅に基づいて算出する運用値算出部と、を有する。
　本開示のひとつの態様によれば、負荷需要の変動を考慮した電力系統の適切な制御が可能となる。
実施例１による電力系統制御装置のブロック図である。 電力系統およびその制御機器の構成を含む全体構成を示すブロック図である。 電力系統制御装置のハードウェア構成を示すブロック図である。 実施例１の電力系統制御装置による全体処理の一例を示すフローチャートである。 学習から予測までの一連の処理を模式的に表す図である。 負荷需要の実測値および予測値のグラフである。 実施例２による電力系統制御装置のブロック図である。 実施例２の電力系統制御装置による全体処理の一例を示すフローチャートである。 アンサンブル予測の様子を示す図である。
　実施形態について図面を参照して説明する。なお、以下に説明する実施形態は発明を限定するものではなく、またこの実施形態の中で説明されている諸要素およびその組み合わせの全てが発明に必須であるとは限らない。
　図１は、実施例１による電力系統制御装置のブロック図である。
　電力系統制御装置１０は、機械学習予測部１０１と、運用値算出部１０２と、出力部３９と、を有している。機械学習予測部１０１は、フィルタ処理部３１と、ベース値機械学習部３２と、ベース値予測部３３と、変動幅機械学習部３４と、変動幅予測部３５と、を有している。運用値算出部１０２は、系統状態演算部３６と、検証部３７と予測値補正部３８と、を有している。
　電力系統制御装置１０は、入力データとして、負荷需要実績データＤ１と、設定値データＤ２と、逸脱条件データＤ３と、系統設備データＤ４と、をデータベースに格納している。電力系統制御装置１０は、運用値算出部１０２にて電力系統を制御するための運用値を算出し、出力部３９に出力する。出力部３９に出力されるデータには、運用値の他に、ベース値の予測値（予測ベース値）と変動幅の予測値（予測変動幅）と補正値との１つ以上が含まれていてもよい。出力部３９は、運用値を含む各種データを表示あるいは外部へ出力する。
　実施例１では電力系統の適切な制御を実現するために概ね以下の一連の処理が実行される。
　まず、フィルタ処理部３１が、過去に取得された電力系統情報の時系列情報である負荷需要実績データＤ１に対してフィルタ処理を行う。このフィルタ処理で、負荷需要実績がベース値（実績ベース値）と変動幅（実績変動幅）に分離される。ベース値は、負荷需要に含まれる所定の基準周期以上の周期を有する成分である。変動幅は、負荷需要のベース値からの変動の程度を表す指標である。変動幅を表す指標は特に限定されないが、例えば負荷需要の標準偏差を基に定めてもよい。
　そして、ベース値機械学習部３２と変動幅機械学習部３４が、負荷需要実績から分離されたベース値データと変動幅をそれぞれ機械学習し、それぞれの予測モデル（ベース値予測モデル、変動幅予測モデル）を生成する。
　次に、ベース値予測部３３と変動幅予測部３５が、それらの予測モデルを用いて将来の負荷需要におけるベース値と変動幅を予測する。
　そして、系統状態演算部３６が、ベース値の予測値と系統設備データと電力系統制御情報を用いて系統状態を演算し、その結果に基づき、電力系統を制御するための運用値を算出する。系統設備データは、電力系統に含まれる各設備の構成等に関する情報である。電力系統制御情報は、制御機器の制御に関する情報である。
　続いて、検証部３７が、運用値と変動幅の予測値とを用いて系統状態が所定の逸脱条件に該当するか否か、例えば、系統状態を表す指標値（状態評価指標値）が所定の閾値を超過した状態が所定の設定時間を超えて継続するか否か検証する。
　系統状態が逸脱条件に該当する場合、予測値補正部３８が、その逸脱量と、ベース値の予測値と、設定値データとを用いて、ベース値の予測値を補正するための補正値を決定する。設定値データには、補正値を決める演算に用いるために予め設定された値が含まれる。例えば、指標値が閾値をどれだけ逸脱しているかを示す逸脱量から補正値を算出するのであれば、その算出式が設定値として設定値データに含まれていてもよい。
　ベース値の予測値を補正値によって補正し、再度、系統状態を演算して運用値を算出し、新たな運用値を用いて系統状態が逸脱条件に該当するか否か検証するという処理を系統状態が逸脱に該当しなくなるまで、あるいは、所定の終了条件が満たされるまで繰り返す。所定の終了条件は、例えば、予め設定された繰り返し上限回数だけ上記処理を繰り返すということであってもよい。繰り返し上限回数の設定値は、上述した設定値データに含まれていてもよい。その後、検証部３７は、運用値を出力部３９に出力する。
　以下、実施例１をより詳細に説明する。
　図２は、電力系統およびその制御機器の構成を含む全体構成を示すブロック図である。
　図２を参照すると、電力系統制御装置１０は通信ネットワーク３００を介して電力系統１００の計測装置４４および個別制御装置４５に接続されている。電力系統制御装置１０は、計測装置４４で計測されたデータを受信し、そのデータを用いて運用値を算出し、個別制御装置４５に送信する。計測装置４４で計測されるデータには、電力系統１００の系統状態が反映されている。
　電力系統１００には、電源１１０と、ノード（母線）１２０、１２１と、ブランチ（線路）１４０と、負荷１５０と、電力用コンデンサ１６０（ＳＣ：Ｓｔａｔｉｃ　Ｃｏｎｄｅｎｓｅｒ）と、分路リアクトル（ＳｈＲ：Ｓｈｕｎｔ　Ｒｅａｃｔｏｒ）１７０と、を含む各種設備が含まれている。また、電力系統１００は、不図示のその他計測装置および制御可能な装置のいずれか又は複数を含んで構成されてもよい。制御可能な装置は、例えば、バッテリー、充放電可能な二次電池、電気自動車（ＥＶ）の蓄電池、フライホイール、その他の調相設備（ＳＶＣ（Ｓｔａｔｉｃ　Ｖａｒ　Ｃｏｍｐｅｎｓａｔｏｒ：静止型無効電力補償装置）、ＳＶＧ（Ｓｔａｔｉｃ　Ｃ　Ｖａｒ　Ｇｅｎｅｒａｔｏｒ：静止型無効電力発生装置）、ＬＰＣ（Ｌｏｏｐ　Ｐｏｗｅｒ　Ｃｏｎｔｒｏｌｌｅｒ：位相調整器付き変圧器）等である。
　ここで、電源１１０は、例えば、火力発電機、水力発電機、原子力発電機などの回転系電源であってもよいし、太陽光発電、風力発電といった分散型電源がインバータを介して電力系統１００に接続するインバータ連系電源であってもよい。
　計測装置４４は、例えば、ノード電圧Ｖ、ブランチ電流Ｉ、有効電力Ｐ、無効電力Ｑ、力率cos(Φ)、タップ値、ノードやブランチや変圧器やＳＣやＳｈＲなどの開閉器の入り切り情報などのいずれか一つまたは複数の系統状態の指標値を計測する装置である。系統状態の指標値を計測する装置として、計器用変圧器（ＶＴ：Ｖｏｌｔａｇｅ Ｔｒａｎｓｆｏｒｍｅｒ）、計器用変圧器（ＰＴ：Ｐｏｔｅｎｔｉａｌ Ｔｒａｎｓｆｏｒｍｅｒ）、計器用変流器（ＣＴ：Ｃｕｒｒｅｎｔ Ｔｒａｎｓｆｏｒｍｅｒ）がある。
　計測装置４４は、計測した指標値とデータ計測箇所識別ＩＤおよび／または計測装置の内臓タイムスタンプとを含むデータを送信する機能を備える。データは、例えば、計測情報（テレメータ（ＴＭ：Ｔｅｌｅｍｅｔｅｒ））および／または表示情報（スーパービジョン（ＳＶ：Ｓｕｐｅｒ　Ｖｉｓｉｏｎ）を含んでもよい。また、計測装置４４は、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）を利用した絶対時刻付きの電力情報(電圧のフェーザ情報)を計測する装置であってもよい。
　また、計測装置４４は、位相計測装置（ＰＭＵ：Ｐｈａｓｏｒ Ｍｅａｓｕｒｅｍｅｎｔ Ｕｎｉｔｓ）であってもよい。また、計測装置４４は、その他の計測機器であってもよい。
　なお、ここでは計測装置４４は、電力系統１００内にあるものとしたが、電源１１０と変圧器１３０とタップ付き変圧器１３１と負荷１５０と電力用コンデンサ１６０と分路リアクトル１７０と計測装置４４と個別制御装置４５に接続する母線や線路などに設置されてもよい。
　負荷需要実績値データＤ１、系統状態演算部３６および検証部３７による処理に使用される計測値は、計測装置４４にて計測された力率cos(Φ)、有効電力Ｐ、無効電力Ｑ、のいずれか一つまたは複数のデータである。これらのデータは計測装置４４から通信ネットワーク３００を介して電力系統制御装置１０に送られる。
　ただし、計測装置４４から電力系統制御装置１０へ直接、計測値のデータを送信する代わりに、計測装置４４からの計測値のデータを不図示の監視装置に一旦集約し、監視装置から通信ネットワーク３００を介して電力系統制御装置１０へ送信することにしてもよい。計測値データは、計測値の他に、データを識別するための固有番号と、タイムスタンプとを含んでもよい。
ここで監視装置は、例えば、中央給電指令所や系統安定度監視サーバなどである。また、計測装置４４から直接、電力系統制御装置１０へ送信する計測値データと、監視装置で一旦集約してから電力系統制御装置１０へ送信する計測値データが混在してもよい。
　図３は、電力系統制御装置のハードウェア構成を示すブロック図である。
　図３を参照すると、電力系統制御装置１０において、表示部１１、キーボードやマウス等の入力部１２、通信部１３、コンピュータや計算機サーバ（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１４、メモリ１５、各種データベースがバス線４３に接続されている。表示部１１は、例えば、ディスプレイ装置として構成される。各種データベースには、負荷需要実績データベース２１、逸脱条件データベース２２、設定値データベース２３、プログラムデータベース５１が含まれる。なお、図３には、各部の処理を実現するためのソフトウェアプログラムを格納したプログラムデータベース５１と、処理に利用される各種データを格納したデータベース２１、２２、２３とを示したが、電力系統制御装置１０は、更に、処理の結果として生成されるデータを格納するデータベースを有していてもよい。
　負荷需要実績データベース２１は、負荷需要実績データＤ１が格納されたデータベースである。逸脱条件データベース２２は、逸脱条件データＤ３が格納されたデータベースである。設定値データベース２３は、設定値データＤ２が格納されたデータベースである。プログラムデータベース５１は、電力系統制御装置１０が実行するソフトウェアプログラムのデータが格納されたデータベースである。
　表示部１１は、例えば、画面にテキストや画像を表示するディスプレイ装置である。または、表示部１１には、ディスプレイ装置と共に、プリンタ装置および／または音声出力装置等を含んだ構成でもよい。
　入力部１２は、例えば、キーボードスイッチ、マウス等のポインティング装置、タッチパネル、音声指示装置等の少なくともいずれか一つを備えて構成される。
　通信部１３は、電力系統制御装置１０を通信ネットワーク３００に接続するための回路を備え、通信を実現するための通信プロトコルを実行可能に備える。
　ＣＰＵ１４は、プログラムデータベース５１から所定のコンピュータプログラムを読み込んで実行する。ＣＰＵ１４は、一つまたは複数の半導体チップにより構成されてもよいし、計算サーバのようなコンピュータ装置であってもよい。
　メモリ１５は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）であり、プログラムデータベース５１から読み出されたコンピュータプログラムを記憶したり、各処理に必要な計算結果データ及び画像データ等を記憶したりする。メモリ１５に格納された画面データは、表示部１１に送られ、画面に表示される。
　以下、図３に示されたプログラムデータベース５１に格納されている各種プログラムについて説明する。
　プログラムデータベース５１には、例えば、フィルタ処理プログラムＰ３１、ベース値機械学習プログラムＰ３２、ベース値予測プログラムＰ３３、変動幅機械学習プログラムＰ３４、変動幅予測プログラムＰ３５、系統状態演算プログラムＰ３６、検証プログラムＰ３７、予測値補正プログラムＰ３８、および出力プログラムＰ３９が格納されている。
　ＣＰＵ１４が、プログラムデータベース５１からメモリ１５に読み出された各種プログラムを実行する。フィルタ処理プログラムＰ３１が実行させることにより、図１に示したフィルタ処理部３１が実現される。ベース値機械学習プログラムＰ３２が実行させることにより図１のベース値機械学習部３２が実現される。ベース値予測プログラムＰ３３が実行させることにより図１のベース値予測部３３が実現される。変動幅機械学習プログラムＰ３４が実行させることにより、図１の変動幅機械学習部３４が実現される。変動幅予測プログラムＰ３５が実行させることにより、図１の変動幅予測部３５が実現される。系統状態演算プログラムＰ３６が実行させることにより、図１の系統状態演算部３６が実現される。検証プログラムＰ３７が実行させることにより、図１の検証部３７が実現される。予測値補正プログラムＰ３８が実行させることにより、図１の予測値補正部３８が実現される。出力プログラムＰ３９が実行させることにより、図１の出力部３９が実現される。
　各種プログラムによる計算における一時データおよび計算結果データと、計算に必要なユーザの指示操作を受け付けるための画面あるいは計算結果を表示するための画面の画像データは、メモリ１５に一旦格納される。メモリ１５に格納された画像データはその後、表示部１１によりディスプレイ画面等に表示される。電力系統制御装置１０にて表示する画面は、各種プログラムやデータベースの書き換えを行うためだけの簡単な画面だけであってもよい。
　負荷需要実績データベース２１には、負荷需要実績データＤ１として、例えば各変電所の有効電力負荷の時系列の値に記憶されている。負荷需要の一例が図６に示されている。図６における予測対象時刻以前の部分に負荷需要の実績が示されている。負荷需要実績データＤ１は、前述のとおり、計測値データである。負荷需要実績データＤ１は、例えば中央給電指令所にて把持している総需要データを按分計算して求めてもよい。各変電所は各ノード毎であってもよい。各ノード毎に計測装置がない場合には、計測装置で計測された実測値から各ノードの負荷需要の推定値を算出してもよい。また、電力系統制御装置１０は、監視制御装置、中央給電指令所、あるいはＥＭＳなどの他のシステムに記憶されている負荷需要実績のデータを入手してもよい。また、負荷需要実績のデータを電力系統制御装置１０に手動で入力してもよい。入力部１２から手動でデータを入力すればよい。なお、手動での入力の際には電力系統制御装置１０は表示部１１にデータ入力画面を表示してもよい。また、電力系統制御装置１０は、データ入力の作業を軽減するために、データを補完する機能により大量のデータを容易に入力できるように半手動化してもよい。
　ここで、有効電力負荷ＰＬと無効電力負荷ＱＬは既存の方法で計算することができる。有効電力負荷ＰＬや無効電力負荷ＱＬの計算には、例えば、石田隆張・他：「LP法を用いた基幹系統への予測先行型電圧無効電力制御方式」、電学論Ｂ、１１７巻８号、１９９７、ｐＰ３２１６－１１２０に記載された方法を用いればよい。具体的には、総需要データと発電機燃料消費特性データとから、ＥＬＤ（経済負荷配分）を用いて、各発電機の発電機有効電力出力を計算してもよい。また、総需要データと変電所負荷対総需要比率データとから、式（１）を用いて変電所個別有効電力負荷を計算してもよい。
Pli=Pall×ratioi　…（１）
　式（１）において、Ｐｌｉは変電所ｉの有効電力負荷推測結果である。Ｐａｌｌは総需要推測結果である。ｒａｔｉｏｉは変電所ｉの有効電力負荷の対総需要比率である。
　また、変電所個別有効電力負荷の推測結果と変電所負荷ＰＱ相関関係データとから、式（２）を用いて、変電所個別無効電力負荷を推測計算してもよい。
　Ｑｌｉ＝ｆｉ（Ｐli）　…（２）
　式（２）において、Ｑｌｉは変電所ｉの無効電力負荷推測結果である。ｆｉは変電所ｉのＰＱ相関関係である。
　逸脱条件データベース２２には、逸脱条件データＤ３として、電力系統１００の系統状態が不安定な状態であるか否かを判定するための判定基準が記憶されている。ここでは系統状態が不安定な状態になることを逸脱と呼ぶことにする。逸脱に該当するか否か判定するための判定基準である逸脱条件として、例えば、系統状態を示す電圧、熱容量、潮流などの指標値の閾値と、指標値が継続して閾値を超えていたら逸脱と判定する設定期間、あるいは、指標値が連続して閾値を超えた逸脱と判定する設定回数とが設定されている。
　なお、逸脱条件データＤ３は、監視制御装置、中央給電指令所、あるいはＥＭＳから遠隔で電力系統制御装置１０に設定されてもよい。また、逸脱条件データＤ３は手動で電力系統制御装置１０に入力されてもよい。手動の場合、入力部１２から手動でデータを入力すればよい。なお、手動での入力の際には電力系統制御装置１０は表示部１１にデータ入力画面を表示してもよい。また、電力系統制御装置１０は、データ入力の作業を軽減するために、データを補完する機能により大量のデータを容易に入力できるように半手動化してもよい。
　設定値データベース２３には、設定値データＤ３として、図１に示すような逸脱量に対して、どれだけベース予測値を補正するかという補正幅（補正値）が記憶されている。これは、逸脱量から四則演算や、一次式や二次式などを用いて、補正値を求めてもよいし、離散値式や非線形式などを用いて求めてもよい。これらのデータは、電力系統制御装置１０の入力部１２を用いて記憶してもよいし、その他の監視装置から記憶されてもよい。
　設定値データベース２３には、設定値データＤ２として、系統状態が逸脱に該当した場合に、どれだけベース予測値を補正するかを決定するための設定値が記憶されている。逸脱量から、四則演算、一次式、二次式など所定の演算により補正値を求めてもよい。また、離散値式あるいは非線形式などを演算に用いてもよい。そのような場合、演算方法が設定値データＤ２として設定値データベース２３に記憶されていてもよい。設定値データＤ２は、入力部１２から電力系統制御装置１０に入力されてもよいし、他の監視装置から入力されてもよい。
　次に電力系統制御装置１０の計算処理内容について説明する。
　図４は、実施例１の電力系統制御装置による全体処理の一例を示すフローチャートである。
　まず、概略の流れを説明する。
　まず、ステップＳ３０にて、電力系統情報の時系列情報である負荷需要実績データＤ１を読み込む。次に、ステップＳ４０にて、負荷需要実績データＤ１を用いてフィルタ処理を行い、負荷需要実績をベース値と変動幅に分離する。ステップＳ５０からＳ５４にて、設定期間のベース値と変動幅をそれぞれ機械学習し、予め設定された将来の期間におけるベース値と変動幅を予測する。次に、ステップＳ６０にて、ベース値の予測値と、系統設備データと、電力系統制御情報を用いて系統状態を演算し、演算結果に合わせて運用値を決定する。次に、ステップＳ７０にて、変動幅の予測値と、運用値と、系統設備データとを用いて変動幅を考慮した系統状態を計算し、この計算結果が逸脱条件データＤ３に設定された逸脱条件に該当するか否か検証し、ステップＳ７１にて計算結果が逸脱条件データＤ３に設定された逸脱条件に該当するか否か判定する。逸脱条件に該当する場合（Ｙｅｓ）、ステップＳ８０にて、逸脱量と、ベース値の予測値と、設定値データＤ２を用いて、ベース値の予測値の補正値を決定し、ステップＳ６０に戻り補正されたベースとの予測値を用いて再度、系統状態の演算を行って、運用値を算出する。
　ステップＳ７１の判定で逸脱条件に該当しなくなったら（Ｎｏ）、ステップＳ９０にて、負荷需要実績データＤ１と、ベース値の予測値と、変動幅の予測値と、運用値と、逸脱条件データＤ３と、設定値データＤ２と、補正値と、の１つ以上のデータを出力する。また、ステップＳ７１の判定で逸脱条件に該当しても、ステップＳ６０からＳ８０の処理を所定回数だけ繰り返した場合には、ステップＳ９０に進んでデータを出力する。ここでいう出力するというのは、運用値などのデータを運用者や計画者が見ることができる形式で画面表示すること、運用値に基づく制御指令を制御対象に出力すること、不図示の計画システムに送信すること、を含む。
　また、各ステップでの計算結果のデータや計算途中にメモリに記録されるデータを、他の監視装置に出力し、画面に逐次表示させてもよい。これにより、運用者や計画者が電力系統制御装置１０の運用状況を容易に把握できる。
　以下、各ステップの処理を更に詳しく説明する。
　まず、ステップＳ３０では、電力系統制御装置１０は、電力系統情報の時系列情報である負荷需要実績データＤ１を読み込む。
　次に、ステップＳ４０では、電力系統制御装置１０は、負荷需要実績データＤ１を用いてフィルタ処理を行い、負荷需要実績をベース値と変動幅に分離する。ここで、フィルタ処理の方法の例を説明する。負荷需要実績の時系列波形を、予め設定された各変動周期のフィルタに通すことにより、各変動周期の時系列波形に成分を分けることができる。これにより、主要なベース変動成分と、曇天時の太陽光発電の出力のような短周期で変動する成分とを分離することができるようになる効果がある。ここで用いるフィルタは、ハイパスフィルタ、ローパスフィルタ、バンドパスフィルタなど、設定された周期で変動する成分を通過させる、または設定された周期以外の成分を除去する装置である。これにより、負荷需要実績を所望の周期で変動する成分に分解できる効果がある。
　ステップＳ５０では、電力系統制御装置１０は、ベース値および変動幅の機械学習が必要かどうかを判断する。電力系統制御装置１０は、機械学習が必要であればステップＳ５１へ進み、機械学習が不要であればステップＳ５３に進む。機械学習が必要かどうかは、ベース値の機械学習と変動幅の機械学習が完了しているかどうかで判断する。それぞれ機械学習が完了したときに、学習データに学習済のフラグを付与しておき、学習データに学習済のフラグが付与されているか否かで機械学習が必要かどうかを判断することにしてもよい。また、機械学習が完了してから一定時間が経過したら、学習済フラグを除去することにし、前回の機械学習から一定時間が経過した再び機械学習を行って予測モデルを定期的に更新することにしてもよい。また、学習データが不足していて機械学習ができない場合には、その旨を警告するアラームを出力することにしてもよい。また、ベース値機械学習部３２の機械学習による予測モデルによるベース値予測部３３の予測演算が正常に実行できないとき、または変動幅機械学習部３４の機械学習による予測モデルによる変動幅予測部３５の予測演算が正常に実行できないときに、その旨を警告するアラームを出力することにしてもよい。これにより、電力系統制御装置１０の動作に問題がないか運用者や計画者に知らせることができる効果がある。
　ステップＳ５１では、電力系統制御装置１０は、負荷需要実績から分離されたベース値のデータを用いて機械学習を行い、ベース値を予測するための予測モデルを生成する。
　図５は、学習から予測までの一連の処理を模式的に表す図である。
　図５の上段には学習データの例が示されている。ここでは・・・（ｄ－３）日、（ｄ－２）日、（ｄ－１）日という過去数日分のデータがあり、各日の有効電力Ｐおよび気温Ｔの時間変化がグラフで示されている。時刻を説明変数とし、ＰあるいはＴを目的変数としている。この学習データを用い、各時点（ｔ～ｔ＋５５）の目的変数ＰあるいはＴを予測する予測式を回帰モデルで得る。ｔについての予測式を式３に示し、ｔ＋５５についての予測式を式４に示す。
　P(d,t)=a1(t)・T(d,t-60)
　　　　　　　+a2(t)・P(d-1,t)
　　　　　　　　　　　+a3(t)・{P(d-1,t-60)-P(d,t-60)}
　　　　　　　　　　　　　　　+a4(t)　…（３）
　（ｄ，ｔ）は予測対象日時を示す。ｄは予測対象日であり、ｔが予測対象時刻である。ｄ－１は予測対象日の前日である。ｔ－６０は、予測対象時刻の６０分前である。
　例えば、式（３）において、右辺のT(d,t-60)は予測対象日当日の予測対象時刻の６０分前の気象データの気温Ｔである。P(d-1,t-60)は、予測対象日の前日の予測対象時刻の６０分前の時点に計測された有効電力Ｐである。P(d,t-60)は、予測対象日当日の予測対象時刻の６０分前の時点に計測された有効電力Ｐである。
　式（３）は、予測対象日の予測対象時刻の有効電力Ｐの予測値を、当日の気象データと、前日および当日の有効電力の計測データとから算出する回帰式となっている。
　P(d,t+55)=a1(t+55)・T(d,t-60)
　　　　　　　+a2(t+55)・P(d-1,t+60)
　　　　　　　　　　　+a3(t+55)・{P(d-1,t-60)-P(d,t-60)}
　　　　　　　　　　　　　　　+a4(t+55)　…（４）
　ｄは予測対象日であり、ｔが予測対象時刻である。ｄ－１は予測対象日の前日である。ｔ－６０は、予測対象時刻の６０分前である。ｔ＋５５は、予測対象時刻の５５分後である。
　例えば、式（４）において、右辺のP(d-1,t+60)は、予測対象日の前日の予測対象時刻の６０分後の時点に計測された有効電力Ｐである。
　式（３）、式（４）共に、当日のデータについては予測対象時刻の６０分前までに計測されたデータが使用されている。
　なお、ここでは回帰モデルには線形回帰を用いてもよいし、縮小回帰（Ridge, Lasso, Elastic Netなど）を用いてもよい。縮小回帰を用いることで、多重共線性の影響を低減でき、予測精度を高めることが可能である。
　ステップＳ５２では、電力系統制御装置１０は、負荷需要実績から分離された変動幅のデータを用いて機械学習を行い、変動幅を予測するための予測モデルを生成する。変動幅は、例えば、標準偏差をσとして±σの変動分、すなわち２σを変動幅としてもよい。変動幅の機械学習の手法は基本的にベース値の機械学習の手法と同様である。
　ステップＳ５３では、電力系統制御装置１０は、ステップＳ５１で得られた予測モデルを用いて予測対象日時から所定の設定期間についてのベース値の予測値を算出する。図５の下段には、予測対象日時前後の実測あるいは予測の有効電力（目的変数）を表すグラフが示されている。予測対象日時（ｄ，ｔ）から設定期間である１時間後（ｄ，ｔ＋６０）までの有効電力Ｐの予測値が白丸印で表されている。
　ステップＳ５４では、電力系統制御装置１０は、ステップＳ５２で得られた予測モデルを用いて予測対象日時から所定の設定期間についての変動幅の予測値を算出する。
　図６は、負荷需要の実測値および予測値のグラフである。図６には、予測対象時刻より前の負荷需要の実測値と、予測対象時刻以降の負荷需要の予測値がグラフに示されている。予測対象時刻より前の時間については、負荷需要の実測値を表すグラフと、負荷需要の実測値から分離されたベース値を表すグラムとが示されている。予測対象時刻以降の時間については、ベース値の予測値を示すグラフとその上下に変動幅を示すグラフとが示されている。ここでは、変動幅は、ベース値＋標準偏差σ×２のグラフと、ベース値－標準偏差σ×２のグラフとにより示されている。ここでは、変動幅を標準偏差±σ2により表示しているが、これに限定されることはない。変動幅は標準偏差±σ2など他の値でもよいし、設定によって変更可能であってもよい。
　変動幅をグラフによって画面に表示することで、運用者や計画者は、その時間帯において、どれだけの変動がありうるかを視覚的に容易に把握することができる。例えば、保守的な運用をすべき時間帯と積極的運用をすべき時間帯とを容易に見極めることができ、電力系統の系統安定性の維持や経済性向上が可能となる効果がある。
　ステップＳ６０では、電力系統制御装置１０は、ベース値の予測値と、系統設備データと、電力系統制御情報とを用いて、電力系統１００の系統状態を演算し、演算結果に基づいて電力系統１００の制御に用いる運用値を算出する。例えば、このベース値の予測値を用いて、電圧無効電力制御の運用値（Ｖｒｅｆ（ｔ））を計算する。この運用値は、例えば、ある地域の電圧無効電力バランスを維持するための個別制御装置４５の電圧目標値である。個別制御装置４５は、予め設定された周期で、変動幅予測結果データＤ１３の一つ以上を受信し、電圧無効電力制御を実施する。
　ステップＳ７０では、電力系統制御装置１０は、変動幅の予測値と、運用値と、系統設備データとを用いて、系統状態の検証を行う。ここでは、ステップＳ６０で得られた運用値で電力系統１００を運用した場合に、負荷需要が変動幅の予測値となった場合に、系統状態の指標値が閾値を逸脱しないかを検証する。これにより、予め運用値が適切であったかを運用者や計画者が容易に確認することができる効果がある。
　ステップＳ７１では、電力系統制御装置１０は、ステップＳ７０による検証の結果、系統状態が逸脱条件データＤ３に示された逸脱条件に該当するか否か判定する。系統状態が逸脱条件に該当する場合には、電力系統制御装置１０はステップＳ８０へ進む。系統状態が逸脱条件に該当しない場合には、電力系統制御装置１０はステップＳ９０へ進む。
　ステップＳ８０では、電力系統制御装置１０は、系統状態が閾値をどれだけ逸脱したかを表す逸脱量と、ベース値の予測値と、設定値データＤ２とを用いて、ベース値の予測値の補正値を決定し、ステップＳ６０に戻る。これにより、逸脱量を低減するように、運用値を補正することができるため、電力系統の系統安定性の維持が可能となる効果がある。
　ステップＳ８０からステップＳ６０に戻ると、電力系統制御装置１０は、ベース値の予測値と補正値を用いて、再度、電力系統１００の系統状態を演算し、運用値を再計算し、ステップＳ７０に進む。そして、電力系統制御装置１０は、ステップＳ７０，７１にて、再度、系統状態が逸脱条件に該当するか否か検証および判定する。電力系統制御装置１０は、系統状態が逸脱条件に該当しない、あるいは予め設定された設定回数だけ処理を繰り返したとき、ステップＳ９０に進む。これにより、時間経過とともに再生可能エネルギーは天候に起因して出力変動したとしても、系統安定性が極端に悪化するといった現象を防止することができ、供給信頼性を向上することができる。
　ステップＳ９０では、電力系統制御装置１０は、負荷需要実績データＤ１と、ベース値の予測値と、変動幅の予測値と、運用値と、逸脱条件データＤ３と、設定値データＤ２と、補正値との１つ以上を出力する。ここでいう出力は、運用値などを運用者や計画者が見ることができる形式で画面表示すること、制御指令を制御対象に出力すること、計画システムに出力すること、を含む。これらの情報を画面に表示することで、運用者や計画者は、表示された時間帯において、どれだけの変動がありうるかを視覚的に容易に把握することができる。例えば、図６に示したグラムが画面表示されれば、運用者や計画者は負荷需要がどう変化し、それがどの程度変動するかを視覚的に容易に把握することができる。また、例えば、保守的な運用をすべき時間帯と積極的運用をすべき時間帯を容易に見極めることができ、電力系統の系統安定性の維持や経済性向上が可能となる効果がある。また、運用者や計画者が運用値を設定するための労力を低減することができる効果がある。また、これら適切な情報で制御対象への制御指令を出力したり計画システムにデータを出力することで、電力系統１００の系統安定性の維持や経済性向上が可能となる効果がある。
　以上、説明したように本実施例では、電力系統制御装置１０は、機械学習予測部１０１により、電力系統１００の負荷需要の実績を表す負荷需要実績に基づいて、電力系統１００の予測対象時刻以降における負荷需要の所定周期以上の成分である予測ベース値と、予測対象時刻以降における負荷需要の予測ベース値からの変動の程度を表す予測変動幅とを予測し、運用値算出部１０２により、電力系統１００を制御するための運用値を予測ベース値と予測変動幅に基づいて算出する。これにより、予測ベース値と予測変動幅に基づいて運用値を算出するので、負荷需要の変動を考慮した電力系統の適切な制御が可能となる。
　また、運用値算出部１０２は、予測ベース値に基づいて運用値を算出し、予測変動幅に基づいて運用値を補正する。したがって、予測ベース値に基づいて運用値を算出し、予測変動幅に基づいてその運用値を補正するので、負荷需要のベース値を基にし変動幅を考慮して適切な運用値を算出することができる。
　また、運用値算出部１０２は、予測変動幅と運用値とに基づいて、電力系統１００の状態を評価するための状態評価指標値を算出し、状態評価指標値が所定の逸脱条件に該当するか否か判定し、状態評価指標値が逸脱条件に該当していれば運用値を補正するという処理を、状態評価指標値が逸脱条件に該当しなくなるまで繰り返す。これにより、状態評価指標値が所定の逸脱条件に該当しなくなるまで運用値を補正するので、適切な運用値を算出することができる。
　また、運用値算出部１０２は、予め設定期間と設定回数を定めておき、設定期間の間に状態評価指標値が所定の閾値を超えた回数が設定回数以上になるなら、状態評価指標値が逸脱条件に該当していると判定する。これにより、運用値の補正に保護を設けることにより運用値の敏感な変動を抑制することができる。
　また、運用値は、バッテリー、充放電可能な二次電池、電気自動車の蓄電池、フライホイール、静止型無効電力発生装置、位相調整器付き変圧器のうち１つ以上を含み、電力系統１００を制御する制御装置へ与える電圧目標値あるいは無効電力目標値である。これにより、電力系統１００に含まれる設備への制御のための運用値を求めるので、補正された運用値を電力系統の制御に利用することができる。
　また、出力部３９は、予測対象時刻までの負荷需要の実績と予測対象時刻以降の予測ベース値および予測変動幅とを表現したグラフを画面表示する更に有する。
　まあ、機械学習予測部１０１は、負荷需要実績に基づいて、負荷需要の実績に含まれる基準周期以上の周期を有する成分である実績ベース値と、負荷需要の実績の実績ベース値からの変動の程度を表す実績変動幅とを算出し、実績ベース値を学習することによりベース値予測モデルを生成し、実績変動幅を学習することにより変動幅予測モデルを生成し、ベース値予測モデルを用いて予測ベース値を算出し、変動幅予測モデルを用いて前記予測変動幅を算出する。ベース値と変動幅とに分離した機械学習により、負荷需要の変動が不規則な電力系統に対する制御に好適な運用値を算出することができる。
　また、機械学習予測部１０１は、ハイパスフィルタ、ローパスフィルタ、バンドパスフィルタのいずれか１つまたは複数の組み合わせにより、負荷需要の実績から基準周期以上の成分を抽出し、実績ベース値とする。フィルタによって負荷需要実績から実績ベース値を分離するので、容易に実績ベース値を算出することができる。
　また、機械学習予測部１０１は、ベース値予測モデルを用いて予測ベース値を算出する演算または変動幅予測モデルを用いて予測変動幅を算出する演算の少なくとも一方について正常な演算を実行できないとき警報を出力する。機械学習による予測では学習データからかけ離れた領域の入力データに対しては正常な予測の演算が実行できない場合がある。正常な予測演算が実行できないときに警報を発することにより、過去の実績である学習データからかけ離れる程の異常な状態を検知し、警報を発することができる。
　また、機械学習予測部１０１は、回帰式を学習することによりベース値予測モデルおよび変動幅予測モデルを生成する。回帰式を用いることにより時系列の負荷需要を適切に予測することが可能となる。
　実施例１では、負荷需要をベース値と変動幅に分離し、それぞれを機械学習してそれぞれの予測モデルを生成し、それぞれの予測モデルを用いて、将来のベース値と変動幅の予測値を算出した。
　この点について、実施例２は、ベース値および変動幅の予測値を算出する方法が実施例１とは異なる。実施例２では、アンサンブル予測を用いてベース値および変動幅の予測値を算出する。これにより構成および処理が簡素化される。
　以下、実施例２の系統制御装置について説明する。ただし、実施例２において実施例１と同様の構成あるいは処理については説明を省略する。
　図７は、実施例２による電力系統制御装置のブロック図である。図７に示す実施例２の電力系統制御装置１０は、機械学習予測部１０１の代わりにアンサンブル予測部１０３を有する点で、図１に示した実施例１のものと異なる。
　図８は、実施例２の電力系統制御装置による全体処理の一例を示すフローチャートである。図８に示す実施例２の電力系統制御装置１０による全体処理のフローチャートは、ステップＳ４０からＳ５４の代わりに、ステップＳ５５を有する点で、図４に示した実施例１のものと異なる。
　ステップＳ５５にて、電力系統制御装置１０は、アンサンブル予測によりベース値の予測値と変動幅の予測値とを算出する。アンサンブル予測は、それぞれ異なる初期値を与えた複数のシナリオで将来の予測を行い、複数のシナリオ予測結果を統計処理することにより予測結果を算出する予測手法である。
　図９は、アンサンブル予測の様子を示す図である。予測対象時刻以降にはシナリオ毎の負荷需要の予測値（予測結果）のグラフが示されている。
　アンサンブル予測部１０３は、複数のシナリオ予測結果の平均値すなわちアンサンブル平均をベース値の予測値とする。そして、複数のシナリオ予測結果が所定の確率で含まれる範囲の幅を変動幅の予測値とする。所定の確率は例えば５０％としてもよい。
　実施例２の電力系統制御装置１０は、アンサンブル予測のベース値の予測値と変動幅の予測値をグラフにより表示してもよい。また、電力系統制御装置１０は、更に各シナリオの予測結果をグラフにより表示してもよい。どの時間帯にどれだけの変動がありうるかを運用者は視覚的に容易に把握することができ、保守的な運用をすべき時間帯と積極的運用をすべき時間帯がすぐに見極めることができ、電力系統の系統安定性の維持や経済性向上が可能となる効果がある。また、運用者や計画者が運用値を設定する労力を低減することができる効果がある。また、予測値や運用値の情報を指令として出力したり、計画システムに出力することで、電力系統の系統安定性の維持や経済性向上が可能となる効果がある。
　以上、説明したように本実施例では、電力系統制御装置１０は、アンサンブル予測部１０３により、負荷需要実績に基づくアンサンブル予測によって、複数のシナリオにおける予測対象時刻以降における負荷需要の予測値である負荷需要予測値を予測し、複数のシナリオにおける負荷需要予測値の平均値を予測ベース値とし、前記複数のシナリオにおける負荷需要予測値が所定の確率で含まれる範囲の幅を予測変動幅とする。容易な演算により、負荷需要の変動が不規則な電力系統に対する制御に好適な運用値を算出することができる。
１０…電力係争制御装置、１１…表示部、１２…入力部、１３…通信部、１４…ＣＰＵ、１５…メモリ、２１…負荷需要実績データベース、２２…逸脱条件データベース、２３…設定値データベース、３１…フィルタ処理部、３２…ベース値機械学習部、３３…ベース値予測部、３４…変動幅機械学習部、３５…変動幅予測部、３６…系統状態演算部、３７…検証部、３８…予測値補正部、３９…出力部、４３…バス線、４４…計測装置、４５…個別制御装置、５１…プログラムデータベース、１００…電力系統、１０１…機械学習予測部、１０２…運用値算出部、１０３…アンサンブル予測部、１１０…電源、１３０…変圧器、１３１…変圧器、１５０…負荷、１６０…電力用コンデンサ、１７０…分路リアクトル、３００…通信ネットワーク

Claims (12)

  1. 　電力系統の負荷需要の実績を表す負荷需要実績に基づいて、前記電力系統の予測対象時刻以降における負荷需要の所定周期以上の成分である予測ベース値と、前記予測対象時刻以降における前記負荷需要の前記予測ベース値からの変動の程度を表す予測変動幅とを予測する予測部と、
    　前記電力系統を制御するための運用値を前記予測ベース値と前記予測変動幅に基づいて算出する運用値算出部と、
    を有する電力系統制御装置。
  2. 　前記運用値算出部は、前記予測ベース値に基づいて前記運用値を算出し、前記予測変動幅に基づいて前記運用値を補正する、
    請求項１に記載の電力系統制御装置。
  3. 　前記運用値算出部は、前記予測変動幅と前記運用値とに基づいて、前記電力系統の状態を評価するための状態評価指標値を算出し、前記状態評価指標値が所定の逸脱条件に該当するか否か判定し、前記状態評価指標値が前記逸脱条件に該当していれば前記運用値を補正するという処理を、前記状態評価指標値が前記逸脱条件に該当しなくなるまで繰り返す、
    請求項２に記載の電力系統制御装置。
  4. 　前記運用値算出部は、予め設定期間と設定回数を定めておき、前記設定期間の間に前記状態評価指標値が所定の閾値を超えた回数が前記設定回数以上になるなら、前記状態評価指標値が前記逸脱条件に該当していると判定する、
    請求項３に記載の電力系統制御装置。
  5. 　前記運用値は、バッテリー、充放電可能な二次電池、電気自動車の蓄電池、フライホイール、静止型無効電力発生装置、位相調整器付き変圧器のうち１つ以上を含み前記電力系統を制御する制御装置へ与える電圧目標値あるいは無効電力目標値である、
    請求項１に記載の電力系統制御装置。
  6. 　前記予測対象時刻までの負荷需要の実績と前記予測対象時刻以降の前記予測ベース値および前記予測変動幅とを表現したグラフを画面表示する出力部を更に有する、
    請求項１に記載の電力系統制御装置。
  7. 　前記予測部は、前記負荷需要実績に基づいて、前記負荷需要の実績に含まれる基準周期以上の周期を有する成分である実績ベース値と、前記負荷需要の実績の前記実績ベース値からの変動の程度を表す実績変動幅とを算出し、前記実績ベース値を学習することによりベース値予測モデルを生成し、前記実績変動幅を学習することにより変動幅予測モデルを生成し、前記ベース値予測モデルを用いて前記予測ベース値を算出し、前記変動幅予測モデルを用いて前記予測変動幅を算出する、
    請求項１に記載の電力系統制御装置。
  8. 　前記予測部は、ハイパスフィルタ、ローパスフィルタ、バンドパスフィルタのいずれか１つまたは複数の組み合わせにより、前記負荷需要の実績から前記基準周期以上の成分を抽出し、前記実績ベース値とする、
    請求項７に記載の電力系統制御装置。
  9. 　前記予測部は、前記ベース値予測モデルを用いて前記予測ベース値を算出する演算または前記変動幅予測モデルを用いて前記予測変動幅を算出する演算の少なくとも一方について正常な演算を実行できないとき警報を出力する、
    請求項７に記載の電力系統制御装置。
  10. 　前記予測部は、回帰式を学習することにより前記ベース値予測モデルおよび前記変動幅予測モデルを生成する、
    請求項７に記載の電力系統制御装置。
  11. 　前記予測部は、前記負荷需要実績に基づくアンサンブル予測によって、複数のシナリオにおける前記予測対象時刻以降における負荷需要の予測値である負荷需要予測値を予測し、前記複数のシナリオにおける前記負荷需要予測値の平均値を前記予測ベース値とし、前記複数のシナリオにおける前記負荷需要予測値が所定の確率で含まれる範囲の幅を前記予測変動幅とする、
    請求項１に記載の電力系統制御装置。
  12. 　電力系統の負荷需要の実績を表す負荷需要実績に基づいて、前記電力系統の予測対象時刻以降における負荷需要の所定周期以上の成分である予測ベース値と、前記予測対象時刻以降における前記負荷需要の前記予測ベース値からの変動の程度を表す予測変動幅とを予測し、
    　前記電力系統を制御するための運用値を前記予測ベース値と前記予測変動幅に基づいて算出する、
    ことをコンピュータが実行する電力系統制御方法。
PCT/JP2022/027239 2021-10-26 2022-07-11 電力系統制御装置および方法 WO2023074058A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-174562 2021-10-26
JP2021174562A JP2023064334A (ja) 2021-10-26 2021-10-26 電力系統制御装置および方法

Publications (1)

Publication Number Publication Date
WO2023074058A1 true WO2023074058A1 (ja) 2023-05-04

Family

ID=86159330

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/027239 WO2023074058A1 (ja) 2021-10-26 2022-07-11 電力系統制御装置および方法

Country Status (2)

Country Link
JP (1) JP2023064334A (ja)
WO (1) WO2023074058A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520015A (zh) * 2023-07-05 2023-08-01 广东鹰视能效科技有限公司 一种月度平均功率因数预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005328673A (ja) * 2004-05-17 2005-11-24 Chugoku Electric Power Co Inc:The 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法
JP2007282394A (ja) * 2006-04-07 2007-10-25 Central Res Inst Of Electric Power Ind 電力需給制御装置および電力需給制御方法
JP2016201869A (ja) * 2015-04-07 2016-12-01 レモンガス株式会社 エネルギマネジメント方法およびエネルギマネジメントシステム
JP2018088742A (ja) * 2016-11-28 2018-06-07 アイフォーコムホールディングス株式会社 エネルギ需要予測システム
JP2020039222A (ja) * 2018-09-05 2020-03-12 株式会社日立製作所 電力需給制御装置、電力需給制御システムおよび電力需給制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005328673A (ja) * 2004-05-17 2005-11-24 Chugoku Electric Power Co Inc:The 電力需要予測装置、電力需要予測システム、電力需要予測プログラム、記録媒体、及び電力需要予測方法
JP2007282394A (ja) * 2006-04-07 2007-10-25 Central Res Inst Of Electric Power Ind 電力需給制御装置および電力需給制御方法
JP2016201869A (ja) * 2015-04-07 2016-12-01 レモンガス株式会社 エネルギマネジメント方法およびエネルギマネジメントシステム
JP2018088742A (ja) * 2016-11-28 2018-06-07 アイフォーコムホールディングス株式会社 エネルギ需要予測システム
JP2020039222A (ja) * 2018-09-05 2020-03-12 株式会社日立製作所 電力需給制御装置、電力需給制御システムおよび電力需給制御方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520015A (zh) * 2023-07-05 2023-08-01 广东鹰视能效科技有限公司 一种月度平均功率因数预警方法及系统
CN116520015B (zh) * 2023-07-05 2023-08-29 广东鹰视能效科技有限公司 一种月度平均功率因数预警方法及系统

Also Published As

Publication number Publication date
JP2023064334A (ja) 2023-05-11

Similar Documents

Publication Publication Date Title
US20200119556A1 (en) Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency
Zhang et al. An improved network model for transmission expansion planning considering reactive power and network losses
US7203622B2 (en) Value-based transmission asset maintenance management of electric power networks
US20140156031A1 (en) Adaptive Stochastic Controller for Dynamic Treatment of Cyber-Physical Systems
Alhelou et al. Decision-making-based optimal generation-side secondary-reserve scheduling and optimal LFC in deregulated interconnected power system
WO2016063660A1 (ja) 電力系統監視装置および電力系統監視方法
Fan et al. Flexibility management in economic dispatch with dynamic automatic generation control
WO2023074058A1 (ja) 電力系統制御装置および方法
Sohn Generation applications package for combined heat power in on-grid and off-grid microgrid energy management system
CN106779443A (zh) 电力调度中的操作风险确定方法和装置
Wu et al. Preventive control strategy for an island power system that considers system security and economics
Zuloaga et al. Metrics for use in quantifying power system resilience with water-energy nexus considerations: Mathematical formulation and case study
Wang Risk-based security-constrained optimal power flow: Mathematical fundamentals, computational strategies, validation, and use within electricity markets
Hachenberger et al. Development of a preventive and curative congestion management module for close to real-time transmission system operations
Li et al. Risk-based unit commitment
Sharif et al. A probabilistic LOLE based method to determine optimal reserve and control power system frequency
Wang et al. Value stacking of a customer-sited BESS for distribution Grid support: a utility case
Suri et al. What are the real implications for $ CO_2 $ as generation from renewables increases?
Alam et al. Development and Analysis of Control Strategies for a 1 MW/3.2 MWh Energy Storage System at Avista Utilities
Ibrahim Voltage security optimization for power transmission systems
WO2023074308A1 (ja) 情報処理装置及び方法
Amgai et al. Lookahead control based framework for power system applications
Wasley et al. Network applications in energy management systems
Moradi et al. Risk-Cost Minimization in Optimal Reactive Power Dispatch Problem in the DFIG Integrated System
Schlumberger et al. Updating operating rules against voltage collapse using new probabilistic techniques

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22886395

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE