Learning Distribution Grid Topologies: A Tutorial

要約

タイトル：学習分布グリッドトポロジー：チュートリアル

要約：
– 電力配布網内のフィーダートポロジーをデータから明らかにすることは、状況把握とスマートリソースの適切な利用を先進的に進める上で極めて重要である。
– 本論文は、電力配布網のトポロジ同定と検出スキームに関する最近の研究をまとめ、比較し、有用なリンクを確立することを目的としている。
– 主な焦点は、分散グリッド内の測定デバイスの限られた可用性を克服しながら、電力フロー物理学の保存法則とフィーダーの構造特性を利用して、トポロジの推定を強化する方法を強調することである。
– 測定されたデータは、従来の方法で受動的に収集することも、グリッドリソースを起動してフィーダーの電圧応答を測定することもできる。
– 異なるメーター配置シナリオ下におけるフィーダの同定性と検出性に関する解析的主張がレビューされる。
– このようなトポロジ学習主張は、最小二乗適合から凸最適化問題、グラフ上の多項式時間探索から混合整数プログラムに至るまで、さまざまな計算複雑度のアルゴリズムソリューションを介して正確または近似的に得ることができる。
– 単相単路フィーダーに重点が置かれているが、網状および/または多相回路への拡張も時には可能であり、議論される。
– このチュートリアルは、研究者やエンジニアがトラクタブルな分布グリッド学習の現状について知識を得ることや、将来の取り組みについての洞察を提供することを目指している。

要約(オリジナル)

Unveiling feeder topologies from data is of paramount importance to advance situational awareness and proper utilization of smart resources in power distribution grids. This tutorial summarizes, contrasts, and establishes useful links between recent works on topology identification and detection schemes that have been proposed for power distribution grids. The primary focus is to highlight methods that overcome the limited availability of measurement devices in distribution grids, while enhancing topology estimates using conservation laws of power-flow physics and structural properties of feeders. Grid data from phasor measurement units or smart meters can be collected either passively in the traditional way, or actively, upon actuating grid resources and measuring the feeder’s voltage response. Analytical claims on feeder identifiability and detectability are reviewed under disparate meter placement scenarios. Such topology learning claims can be attained exactly or approximately so via algorithmic solutions with various levels of computational complexity, ranging from least-squares fits to convex optimization problems, and from polynomial-time searches over graphs to mixed-integer programs. Although the emphasis is on radial single-phase feeders, extensions to meshed and/or multiphase circuits are sometimes possible and discussed. This tutorial aspires to provide researchers and engineers with knowledge of the current state-of-the-art in tractable distribution grid learning and insights into future directions of work.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI