基于深度学习的无模型鲁棒负荷恢复方法以增强高风电渗透率大电网韧性
系统与控制
2021-09-17 v1 系统与控制
摘要
本文提出了一种基于深度学习(DL)的新型无模型鲁棒方法，用于高风电渗透率大电网的在线负荷恢复。受两阶段鲁棒负荷恢复模型迭代计算的启发，分别设计了深度神经网络(DNN)和深度卷积神经网络(CNN)，以寻找负荷投入决策的最坏情况系统状态并评估相应的安全性。为了在有限次校验内找到最优结果，开发了负荷投入清单生成(LPCG)算法以保证最优性。随后，基于所设计的一线策略生成(OSG)算法实现了快速的鲁棒负荷恢复策略获取。所提方法以无模型方式寻找最优结果，具备处理不确定性的鲁棒性，并提供实时计算能力。它可完全替代传统的鲁棒优化，并支持在线鲁棒负荷恢复，更好地适应多变的恢复过程。使用IEEE 30总线系统和IEEE 118总线系统验证了所提方法的有效性，显示出较高的计算效率和可观的精度。
引用
@article{arxiv.2109.08074,
title = {Deep Learning based Model-free Robust Load Restoration to Enhance Bulk System Resilience with Wind Power Penetration},
author = {Jin Zhao and Fangxing Li and Xi Chen and Qiuwei Wu},
journal= {arXiv preprint arXiv:2109.08074},
year = {2021}
}