电力系统偶发事件下基于机器学习的可扩展与最优切负荷
机器学习
2025-02-12 v2 系统与控制
系统与控制
摘要
针对意外偶发事件采取迅速有效的校正措施，对于提高电力系统韧性并防止连锁停电至关重要。考虑网络约束的最优切负荷（OLS）相较于传统局部方案，具有应对偶发事件场景下多种系统性影响的潜力。然而，由于初始偶发事件的快速连锁传播，在大系统中由于高计算和通信需求，实时 OLS 解决方案难以实现。在本文中，我们提出了一种去中心化设计，利用针对各个负荷中心离线训练的神经网络（NN）模型，从本地可用的测量值中自主构建 OLS 解决方案。我们这种基于学习的 OLS 方法可以大幅减少在线应急响应期间的计算和通信需求，从而防止偶发事件的连锁传播，增强电网韧性。在 IEEE 118 节点系统和合成的 Texas 2000 节点系统上的数值研究，证明了我们可扩展的 OLS 学习设计在及时电力系统应急操作中的高效性与有效性。
引用
@article{arxiv.2405.05521,
title = {Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency},
author = {Yuqi Zhou and Hao Zhu},
journal= {arXiv preprint arXiv:2405.05521},
year = {2025}
}