利用环境测量的机器学习辅助惯量估计
系统与控制
2022-12-22 v1 系统与控制
摘要
随着基于变流器的可再生能源渗透率不断提高，电力系统引入了不同类型的动态特性。由于现代电力系统的复杂性和高阶性，基于数学模型的惯量估计方法变得更加困难。本文提出了两种新颖的机器学习辅助惯量估计方法，分别基于长递归卷积神经网络（LRCN）和图卷积神经网络（GCN）。从通过相量测量单元（PMU）收集的环境测量中提取信息特征。随后，结合具有高维特征和图信息的空间结构，以提高惯量估计的准确性。案例研究在 IEEE 24 节点系统上进行。所提出的基于 LRCN 和 GCN 的惯量估计模型分别达到了 97.34% 和 98.15% 的准确率。此外，所提出的基于零发电注入节点的最优 PMU 配置（ZGIB-OPP）被证明能够最大化系统可观测性，从而改善了所有提出的惯量估计模型的性能。
引用
@article{arxiv.2212.11235,
title = {Machine Learning Assisted Inertia Estimation using Ambient Measurements},
author = {Mingjian Tuo and Xingpeng Li},
journal= {arXiv preprint arXiv:2212.11235},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2112.00926