基于物理信息神经网络的电力系统动态非线性系统辨识
系统与控制
2021-04-16 v2 机器学习
系统与控制
摘要
基于变流器的发电单元所带来的波动性功率注入，给惯量与阻尼等系统参数带来巨大不确定性。因此，系统运营商在执行动态安全评估与实时控制动作时面临日益严峻的挑战。利用相量测量单元（PMU）的广泛部署，并旨在开发快速动态状态与参数估计工具，本文研究了物理信息神经网络（PINN）在揭示未来电力系统频率动态方面的性能。PINN有潜力应对低惯量系统更强非线性、测量噪声增大及数据有限等挑战。该估计器在多个测试用例中使用4总线系统进行了演示，并与无迹卡尔曼滤波（UKF）等先进算法比较以评估其性能。
引用
@article{arxiv.2004.04026,
title = {Physics-Informed Neural Networks for Non-linear System Identification for Power System Dynamics},
author = {Jochen Stiasny and George S. Misyris and Spyros Chatzivasileiadis},
journal= {arXiv preprint arXiv:2004.04026},
year = {2021}
}
备注
6 pages, 8 figures, accepted at IEEE PES PowerTech 2021 Madrid