基于机器学习在小规模电力系统机组组合问题中纳入频率最低点约束
系统与控制
2024-07-15 v2 系统与控制
摘要
由于旨在减少火电发电并提升清洁能源占比，电力系统因惯性水平降低而愈发容易在停运后发生频率失稳。为解决此问题，调度过程中正纳入频率约束，以确保任何扰动下可容忍的频率偏差。本文提出一种利用机器学习将非线性频率最低点（frequency nadir）约束整合进机组组合问题的方法。首先生成合成训练数据集。随后提出两种现有经典机器学习方法，即逻辑回归与支持向量机，用于预测频率最低点。为将机器学习方法与传统频率约束机组组合方法比较，在拉帕尔马岛电力系统上对两种所提方法及频率最低点的解析线性化公式进行了仿真。结果表明，带基于机器学习的频率最低点约束的机组组合问题比解析公式求解明显更快，同时在停运后仍取得可接受的频率响应质量。
引用
@article{arxiv.2210.01540,
title = {Inclusion of Frequency Nadir constraint in the Unit Commitment Problem of Small Power Systems Using Machine Learning},
author = {Mohammad Rajabdorri and Behzad Kazemtabrizi and Matthias Troffaes and Lukas Sigrist and Enrique Lobato},
journal= {arXiv preprint arXiv:2210.01540},
year = {2024}
}