基于神经常微分方程的含垂控单元电力系统辨识
系统与控制
2024-11-14 v1 系统与控制
摘要
在未来电力系统中，详细结构和动态特性并不总是完全已知。这是由于分布式能源资源（如光伏发电机、电池储能系统、热泵和电动汽车）不断增加，以及向有源配电网转变。因此，获取用于仿真和控制综合的基于物理的模型变得具有挑战性。右端由神经网络表示的微分方程，即神经常微分方程（NODEs），作为数据驱动的黑箱模型具有巨大潜力来克服这一挑战。本文探讨了利用 NODEs 基于输入和状态测量来辨识垂控电网构建单元的动态特性。在数值研究中，训练并评估了搭配不同数值求解器的各种 NODE 结构。此外，将其与非线性动力学稀疏辨识（SINDy）方法进行了比较。结果表明，尽管 SINDy 能产生更准确的模型，但 NODEs 无需了解系统非线性的先验知识（这是 SINDy 发挥最佳性能所需的），即可实现良好的预测性能。
引用
@article{arxiv.2411.08678,
title = {Identification of Power Systems with Droop-Controlled Units Using Neural Ordinary Differential Equations},
author = {Hannes M. H. Wolf and Christian A. Hans},
journal= {arXiv preprint arXiv:2411.08678},
year = {2024}
}