IEEE 34 ノードのアイランディングと実装された人工ニューラル ネットワーク (ANN)

導入

人工ニューラルネットワーク（ANN）は機械学習のサブセットであり、生物学的ニューラルネットワーク、ひいては人間の脳の機能そのものに漠然と着想を得ています。ニューラルネットワークの動作における主要なプロセスは、学習とテストのプロセスです。これらのプロセスでは、ネットワークは入力データとしてサンプルデータを処理することで学習され、その後、異なるデータセットでテストされます。このモデルは、ANNの学習とテストのプロセス、そしてIEEE34バスネットワークにおける孤立化検出のための実装を示すことを目的としています。

モデルの説明

このモデルは、分散型電源（DG）として使用される風力発電所（平均）を備えたIEEE34バスネットワークで構成されています。風力発電所は、三相二巻線変圧器を介してノード854のネットワークに接続されています。風力発電所の定格電力は1.5 MVA、定格電圧は480 Vです。この風力発電所は、有効電力のみを系統に供給するように構成されています（つまり、無効電力は常にゼロです）。図1は、接続された風力発電所を備えたIEEE34バスネットワークを示しています。

注目すべきその他のコンポーネントとしては、ノード 800 と 854 にある孤立状態を生成するためのブレーカーとして使用される 3 つのTPST (3 極単投) コンタクタと、トレーニングおよびテスト プロセス中に障害を導入するために使用されるグリッド内の 4 つの3 相接地故障があります。

シミュレーション

このアプリケーションには、あらかじめ構築されたSCADAパネル（図5 ）が付属しています。このパネルには、実行時にシミュレーションを監視および操作するための主要なユーザーインターフェース要素（ウィジェット）が用意されています。ニーズに合わせて自由にカスタマイズできます。

SCADA パネルは次の部分で構成されています。

• キャプチャ/スコープ
• グリッドの単線図
• 人工ニューラルネットワークグループ
• トレーニングサブパネル
• テストサブパネル
• ノード800グループ
• ノードDGグループ

単線結線図には、グリッド内の接触器と障害の状態が表示されます (対応する LED で示されます)。ここでは、専用のチェックボックスを使用して、接触器の開閉や障害の有効化/無効化などのいくつかのアクションを実行できます。専用のスライダーを使用して、グリッド電圧と風速を設定できます。 [高調波] コンボ ボックスを使用すると、グリッド内の高調波の存在を有効/無効にできます。 [有効] チェックボックスを使用すると、風力発電所を有効/無効にできます。 ノード 800 グループでは、ノード 800 の相電圧、相電流、皮相電力、有効電力、無効電力、および力率を観察できます。 ノード DG グループでは、ノード DG の相電圧、相電流、皮相電力、有効電力、および無効電力の値を観察できます。

人工ニューラル ネットワーク グループ (図 6に表示) は、2 つの主なモードで構成されています。

• トレーニング
• テスト

トレーニング モードとテスト モード専用の LED は現在使用されているモードを示しており、モード コンボ ボックスを使用してこれら 2 つのモードを切り替えることができます。

トレーニング サブパネルは、いくつかの部分で構成されています。

• アイランドLED
• キャプチャカウンター
• 台風モデルの読み込みボタン
• 台風モデルLED
• ユーザーが保存したモデルを読み込むボタン
• ユーザーが保存したモデルLED
• モデル保存ボタン

アイランディングLEDはアイランディング状態を示すために使用されます。キャプチャカウンターは、トレーニングの1サイクル中に取得されたデータポイントの数を表示するために使用されます。

シミュレーションが開始されると、すべての接触器が閉じられ、すべての障害が無効になります (専用の LED によって示されます)。

デフォルトでは、モデルはトレーニングモードに設定されており、トレーニングプロセスが完了するか、既存のモデルがロードされるまで、テストモードに移行することはできません。グリッドで実行される各アクション（例：コンタクタの開閉、故障の有効化/無効化、グリッド電圧、風速の設定など）ごとに、キャプチャ機能が実行され、「キャプチャ中…」というコンソールメッセージで示されます。新しいデータポイントセットが取得され、キャプチャカウンターが1増加します。

グリッド内の6番目のアクションの後、カウンターはリセットされます。メッセージコンソールに「新しいデータセットがトレーニングされました。」というメッセージが表示され、トレーニングプロセスが完了したことを示します。その後、必要に応じてトレーニング済みモデルを保存するか、テストモードに移行できます。図7はトレーニングプロセスを示しています。

「ロード」ボタンを使用すると、事前に保存したモデルを読み込むことができます。読み込むモデルは、Typhoonの事前学習済みモデル（ 「Typhoonモデルのロード」ボタンをクリックして読み込む）、またはユーザーが以前に保存したモデル（ 「ユーザー保存モデルのロード」ボタンをクリックして読み込む）のいずれかです。モデルの読み込みが成功すると、Typhoonモデルとユーザー保存モデルのLEDが点灯します。 「保存」ボタンをクリックすると、学習済みモデルを.savファイルとして保存できます。

テスト サブパネルは次の部分で構成されます。

• 島嶼状態
• 正確さ

グリッド内で様々なアクションを実行することで（トレーニングモードと同様に）、ニューラルネットワークの応答を確認できます。孤立状態フラグは、トレーニング済みのニューラルネットワークが想定している孤立状態を示すために使用され、これらの想定の精度（過去20回のテストに基づく）を以下で確認できます。図8は、テストモードにおけるテストサブパネルの動作を示しています。

トレーニング済みのモデルを使用する場合、トレーニング モードとテスト モードを切り替えて、ANN モデルをさらに開発することができます。

テスト自動化

この例のテスト自動化はまだありません。ご協力いただける場合はお知らせください。アプリケーションノートへの署名を喜んで承ります。

要件の例

表1は、モデル実行に必要なファイルの場所とハードウェア要件に関する詳細情報と、この最小限のハードウェア構成でモデルを実行した場合のHILデバイスのリソース使用率を示しています。この情報は、モデルの実行とカスタマイズを必要に応じて行う際に役立ちます。

著者

[1] ニコラ・ルチッチ

[2] シミサ・シミッチ