スマートグリッド数理最適化特論

Smart Grid Mathematical Optimization

994D459

43EEPOE502

山口　順之

Nobuyuki Yamaguchi

2023年度前期

2023, First semester

水曜4限

Wednesday 4th Period

工学研究科　電気工学専攻

Department of Electrical Engineering, Graduate School of Engineering

2.0単位

講義

Lecture

-

対面授業

電力システムと情報システムが融合した電力需給形態であるスマートグリッドと，さまざまな数理計画法と統計について包括的に学ぶ。
Learn comprehensively about smart grid, which is a form of power supply and demand that integrates power systems and information systems, and various mathematical programming methods and statistics.

スマートグリッドについての知識を身に着けるとともに，そこで応用されている数理最適化・統計学の理論と手法を学び，重要な社会インフラの一つである電力システムの高度化の方向性について広い視野を持ち，より精深な学識を修める。

While acquiring knowledge about smart grids, learn the theory and methods of mathematical optimization/statistics applied in this research and development fields, and give a broad perspective on the direction of advancement of power systems, which is one of the important social infrastructures.

スマートグリッドの要素技術とシステムとして見たときの機能，ならびにスマートグリッドに応用されている数理最適化と統計学の理論と手法を包括的に理解し，それらに対し自らの意見を示すことができる。

授業の後半では，学生が論文を読み，グループ発表をする。初回の授業でグループ分けをするため，履修者は初回から出席する必要がある。

Comprehensively understand the theory and methods of mathematical optimization and statistics applied to smart grids and their functions when viewed as element technologies and systems of smart grids, and express their own opinions on them.

In the second half of the class, students will read papers and make group presentations. Students will be divided into groups at the first class, so be sure to attend the first class.

学部の送配電工学や発変電工学など電力工学に関連する講義を履修済みであることが望ましい。
It is desirable that students have already taken courses related to power engineering, such as undergraduate power generation, transmission and distribution engineering.

ディベート・ディスカッション　Debate/Discussion／グループワーク　Group work／プレゼンテーション　Presentation

-

議論に参加できるように，配布資料の予習を行なうこと。調査発表には事前準備をしておくこと。
Prepare for handouts so that you can participate in the discussion. Prepare in advance for the group presentaion.

議論への参加（20％）とグループ調査発表（30％）とレポート（50％）で評価する。
Evaluated with discussion participation (20%) and group presentation (30%) and reports (50%).

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​https://gomykits.kinokuniya.co.jp/tokyorika/​​​

IEEE Transaction on Smart Grid の論文
J. Momoh, Smart Grid-Fundamentals of Design and Analysis
J. Machowski, et al, Power System Dynamics: Stability and Control
橘木，最適化の数学，共立出版

1.概要と準備
-スマートグリッドの歴史と現状，数理計画法の概要について学ぶ。
-Pythonを使用する準備をする。

2.線形計画法の基礎
-最適化問題の表記と線形計画法の基礎について学ぶ。
-基礎的な発電所の経済負荷配分について学び，例としてPythonを用いた数値計算を行う。

3.線形計画法の発展
-双対問題・シャドープライスについて学ぶ。
-2次計画法とラグランジュ未定乗数法について学ぶ。

4.経済負荷配分制御
-経済負荷配分制御について学ぶ

5.最適潮流計算
-経済負荷配分と電力潮流計算を組み合わせた最適潮流計算について学ぶ
-Pythonを用いて，最適潮流計算の例題を解く。

6.混合整数線形計画法と発電機起動停止計画
-混合整数計画法の基礎について学ぶ
-Pythonを用いて，簡単な発電機起動停止計画問題の例題を解く

7.グループ発表の準備
-論文の読み方（パラグラフライティング，論文の構成），発表の仕方について学ぶ。

8.統計的な機械学習（１）：統計解析の基礎と仮説検定
-統計解析の基礎と仮説検定について学ぶ。
-デマンドレスポンスにおける需要家ベースラインを例に統計解析の基礎を学ぶ。

9.統計的な機械学習（２）：回帰分析とテスト
-線形回帰，最小二乗推定，ロバスト推定，リッジ回帰，カーネル回帰とテストについて学ぶ
-Pythonを用いて，電力需要予測を例とした回帰分析を行う。

10.強化学習（１）
-強化学習の理論について学ぶ

11.強化学習（２）
-強化学習の電力システム応用について学ぶ

12.確率的モデルと最適化（１）
-確率的モデルと最適化の理論について学ぶ

13.確率的モデルと最適化（２）
-確率的モデルと最適化の電力システム応用について学ぶ

14.グループ発表（１）
-スマートグリッドへの強化学習，ベイズ最適化，自律分散制御，確率的モデルの応用について文献調査を行い，発表する。

15. グループ発表（２）
-スマートグリッドへの強化学習，ベイズ最適化，自律分散制御，確率的モデルの応用について文献調査を行い，発表する。


1. Overview and preparation
-Learn about the history and current status of smart grids and the outline of mathematical programming.
- Be prepared to use Python.

2. Basics of linear programming
-Learn optimization problem notation and the basics of linear programming.
-Learn about basic economic load dispatching of power plants and perform numerical calculations using Python as an example.

3.Development of Linear Programming
-Learn about dual problems and shadow prices.
-Learn about quadratic programming and Lagrangian multiplier method.

4.Economic load distribution control
-Learn about economic dispatch control

5. Optimal power flow calculation
-Learn about optimal power flow calculation that combines economic load dispatch and power flow calculation
-Solve an example of optimal power flow calculation using Python.

6. Mixed integer linear programming and generator start-stop planning
-Learn about the basics of mixed integer programming
-Solve a simple generator startup/shutdown planning problem using Python

7. Preparation for group presentation
-Learn how to read papers (paragraph writing, structure of papers) and how to present them.

8. Statistical Machine Learning (1): Basics of Statistical Analysis and Hypothesis Testing
-Learn the basics of statistical analysis and hypothesis testing.
-Learning the basics of statistical analysis using consumer baselines in demand response as an example.

9. Statistical Machine Learning (2): Regression Analysis and Testing
- Learn about Linear Regression, Least Squares Estimation, Robust Estimation, Ridge Regression, Kernel Regression and Testing
-Use Python to perform regression analysis using electricity demand forecasting as an example.

10. Reinforcement learning (1)
-Learn about the theory of reinforcement learning

11. Reinforcement learning (2)
-Learn about power system applications of reinforcement learning

12. Stochastic Models and Optimization (1)
- Learn about probabilistic models and optimization theory

13. Stochastic Models and Optimization (2)
-Learn about power system applications of probabilistic models and optimization

14. Group presentation (1)
-Research the literature on reinforcement learning, Bayesian optimization, autonomous distributed control, and applications of probabilistic models to smart grids, and make presentations.

15. Group presentation (2)
-Research the literature on reinforcement learning, Bayesian optimization, autonomous distributed control, and applications of probabilistic models to smart grids, and make presentations.

-

-

-

-