基于长短期递归卷积网络利用环境量测的惯量估计
系统与控制
2021-12-03 v1 系统与控制
摘要
传统同步机正逐步被基于变流器的可再生资源替代。结果，作为重要时变量的同步惯量对现代电力系统稳定性影响显著增大。可再生能源日益增加的接入给传统电力系统引入了不同动态；因此，利用数学模型估计系统惯量变得更加困难。本文提出一种基于长短期递归卷积网络（LRCN）的新型学习辅助惯量估计模型，其使用系统广域频率与相电压量测。所提方法利用非侵入式探扰信号扰动系统，并采集相量量测单元（PMU）的环境量测以训练所提 LRCN 模型。案例研究在 IEEE 24-总线系统上进行。在信噪比（SNR）60dB 条件下，所提基于 LRCN 的惯量估计模型达到 97.56% 的准确率与 0.0552 的均方误差（MSE）。此外，在 45dB 低 SNR 下，该学习辅助惯量估计模型仍能达到 93.07% 的高准确率。
引用
@article{arxiv.2112.00926,
title = {Long-Term Recurrent Convolutional Network-based Inertia Estimation using Ambient Measurements},
author = {Mingjian Tuo and Xingpeng Li},
journal= {arXiv preprint arXiv:2112.00926},
year = {2021}
}