A Study on Overcoming Informational Incompleteness in Distribution System Operator: Ensuring Robustness in State Estimation and Optimal Operation

Abstract

분산자원의 배전망 침투율이 증가함에 따라, 배전계통 운영의 불확실성이 심화되고 있으며 이에 따른 안정적 운영의 필요성이 더욱 강조되고 있다. 그러나 배전계통은 측정 인프라의 한계, 측정오차, 긴 관제 주기 등으로 인해 실시간 감시와 제어가 어렵다. 본 학위논문은 이러한 정보의 비완전성을 극복하고, 안정적인 계통 운영을 실현하기 위해 두 가지 핵심 과제를 다룬다. 첫째, 정확한 상태추정을 위해 물리기반 순환 신경망과 그래프 신경망을 통합한 물리정보 인식 기반 상태추정 모델을 제안한다. 제안된 모델은 전역적 토폴로지 정보와 지역적 특징들의 상관관계를 통합적으로 학습함으로써, 미학습된 실제 계통 구조 하에서도 높은 정확도와 강건성, 확장성을 입증하였다. 둘째, 불평형 3상 배전계통의 실시간 최적 운영을 위해, 다중 자원 와서스테인 거리 기반 분포 강건 결합 기회 제약 최적화 알고리즘을 제안한다. 이 모델은 분산자원 및 부하의 데이터 신뢰도를 개별적으로 고려하여, 관제 주기 사이 발생하는 불확실성을 반영한 최악 시나리오에서도 계통 안전성과 운용 효율을 동시에 만족시키는 강건한 해를 도출하였다.|As the penetration of distributed energy resources(DERs) in distribution networks increases, the uncertainty in distribution system operations is intensifying, highlighting the growing need for stable and reliable operation. However, due to limitations in measurement infrastructure, inherent sensor errors, and long supervisory control intervals, real-time monitoring and control remain challenging. This dissertation addresses these issues of information incompleteness and proposes two core solutions for enhancing the robustness of distribution system operations. First, to enable accurate state estimation, a physics-informed state estimation model is developed by integrating recurrent neural networks with graph neural networks. The proposed model jointly learns global topological structure and local spatial correlations, demonstrating high accuracy, robustness, and generalizability even under unseen real-world network topologies. Second, to achieve real-time optimal operation of unbalanced three-phase distribution systems, a multi-source distributionally robust joint chance-constrained optimization algorithm based on the Wasserstein metric is proposed. This approach considers the data reliability of DERs and loads individually, and ensures secure and efficient operation by providing robust decisions against worst-case scenarios that may arise during control intervals.