基于机器学习的分布式能源本地控制方案在测量设备上的实现以应对通信故障
系统与控制
2022-07-19 v1 系统与控制
摘要
主动配电网中大规模接入分布式能源(DER)所带来的重大挑战之一是其伴随的不确定性。电网运行变得更为艰巨,以避免电压或热越限。尽管最优潮流(OPF)算法在文献中被广泛讨论,此类集中式实现的鲁棒性(如通信故障期间的冗余控制方案提供)却鲜受关注。本文旨在每个智能电子设备(IED)上实现一种基于机器学习的算法,利用IEC 61850数据模型在通信故障时模拟所用的集中式OPF。正常情况下,IED间通信以进行集中式OPF。此外,系统针对所有运行条件离线训练,并将实际电压至DER设定值的各查找表发送至相应控制器。回归模型允许在通信故障时本地重构DER设定值,以仿真整体OPF。除回归控制外,本文还阐释了用于回归模型周期性再训练的离线学习方法。该实现通过硬件在环测试平台实验验证。测试显示,相较于传统控制策略,在通信故障期间取得了可喜结果。当适当训练与协调时,这种针对各DER的直观本地控制方法可对大电网极为有益。该基于机器学习的方法亦可替代现有Q(V)控制策略,以更好支撑大电网。
引用
@article{arxiv.2207.08732,
title = {Implementation of Machine Learning-based DER Local Control Schemes on Measurement Devices for Counteracting Communication Failures},
author = {Rajkumar Palaniappan and Jan-Niklas Ceschlaw and Stavros Karagiannopoulos and Christian Rehtanz},
journal= {arXiv preprint arXiv:2207.08732},
year = {2022}
}
备注
In proceedings of the 11th Bulk Power Systems Dynamics and Control Symposium (IREP 2022), July 25-30, 2022, Banff, Canada