嵌入保守稀疏神经网络的含分布式能源的频率约束机组组合
系统与控制
2023-04-24 v1 系统与控制
摘要
分布式能源(DERs)渗透率的不断提高将降低电力系统的旋转惯量,并进一步恶化系统频率稳定性。针对上述问题,本文利用先进的神经网络(NN)学习频率动态并将其引入以促进系统可靠运行。本文提出了嵌入保守稀疏神经网络(CSNN)的、含基于变流器的DERs的频率约束机组组合(FCUC),包括学习与优化两个阶段。在学习阶段,其对惯量参数进行采样,计算相应频率,并利用凸包刻画采样参数的稳定域,以保证稳定性并避免外推。为保持保守性,在损失函数中加入正预测误差惩罚,以防止可能的频率要求越限。为获得稀疏性,采用NN拓扑剪枝以消除不必要的连接,从而加速求解。在优化阶段,利用大M法将训练好的CSNN转化为混合整数线性约束,进而嵌入以建立数据增强模型。案例研究验证了:1)所提模型在高精度、少参数和显著求解加速方面的有效性;2)在扰动下系统稳定运行且不发生频率越限。
引用
@article{arxiv.2304.10720,
title = {Conservative Sparse Neural Network Embedded Frequency-Constrained Unit Commitment With Distributed Energy Resources},
author = {Linwei Sang and Yinliang Xu and Zhongkai Yi and Lun Yang and Huan Long and Hongbin Sun},
journal= {arXiv preprint arXiv:2304.10720},
year = {2023}
}