机器学习在存在系统变异与加性量测误差下的在线动态安全评估中的应用
系统与控制
2019-09-11 v1 系统与控制
摘要
过去几十年发生的大规模停电事故使得电网安全评估领域的广泛研究成为必要。借助使用相量测量单元（PMU）数据的同步相量技术，可以开展在线动态安全评估（DSA）。然而，现有 DSA 应用受到系统条件变异以及未计入的量测误差的挑战。为克服这些挑战，本研究开发了一种 DSA 方案，在 PMU 量测存在实际误差的情况下，针对不同季节的负荷曲线实时提供安全预测。本文的主要贡献为：（1）开发基于 PMU 数据的 DSA 方案；（2）考虑季节性负荷曲线；（3）计入可再生能源发电的不同渗透率；（4）比较不同机器学习（ML）算法在有无误差量测下用于 DSA 的精度。该方法在 IEEE-118 总线系统上进行了测试。在不同运行场景下对各 ML 算法精度的对比分析，凸显了在构建 DSA 方案时考虑实际误差与系统条件变异的重要性。
引用
@article{arxiv.1909.04145,
title = {Application of Machine Learning for Online Dynamic Security Assessment in Presence of System Variability and Additive Instrumentation Errors},
author = {Anubhav Nath and Reetam Sen Biswas and Anamitra Pal},
journal= {arXiv preprint arXiv:1909.04145},
year = {2019}
}
备注
Accepted in the proceedings of the 51st North American Power Symposium (NAPS), Wichita, USA, Oct. 2019