基于深度神经网络的频率受限最优潮流频率预测器
系统与控制
2025-04-09 v2 系统与控制
摘要
频率变化率(RoCoF)和频率谷值应在实时频率受限最优潮流(FCOPF)中被考虑，以确保现代电力系统的频率稳定性。由于计算频率响应复杂，深度神经网络(DNN)可用于捕捉非线性特性并准确估计这两个指标。因此，本文开发了一个基于DNN的频率预测器，其训练数据来自使用PSCAD/EMTDC进行的时间域仿真。随后，我们将其重新表述为一组混合整数线性规划 formulation，然后嵌入FCOPF框架作为约束，以确保电网频率稳定性，形成所提出的DNN-FCOPF模型。我们还实现了两个基准模型：一个不包含任何频率约束的传统OPF，以及一个受限于系统范围RoCoF的线性FCOPF模型。最后，比较和评估了这三个模型所获得的解 solution，并使用PSCAD在各种负荷配置下进行时间域仿真，证明了所提出DNN-FCOPF的有效性。
引用
@article{arxiv.2502.15641,
title = {A Deep Neural Network-based Frequency Predictor for Frequency-Constrained Optimal Power Flow},
author = {Fan Jiang and Xingpeng Li and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2502.15641},
year = {2025}
}