基于机器学习的扰动幅值调控用于局域频率稳定
动力系统
2023-11-28 v1
摘要
电力系统在受到扰动时必须将频率维持在可接受限度内。为此，通常以系统中最显著的可信扰动作为基准来配置一次频率响应(PFR)资源。然而，由于变流器接口发电(CIG)并网比例增加导致系统惯量整体下降，高 CIG 渗透率的系统需要更多的频率控制服务，而这些服务要么成本高昂要么难以获取。在成本与稀缺的极端情形下，调控最显著扰动幅值可为该问题提供高效解决方案。本文提出一种基于机器学习(ML)的技术，用于调控电力系统扰动幅值以符合频率稳定要求，即频率变化率(RoCoF)与频率最低点。传统方法因网络局域频率响应难以解析推导而采用惯量中心(COI)限制扰动幅值，所提方法则利用数据驱动技术捕捉此类复杂性。一旦离线训练完成，该方法不依赖计算密集的 RMS 时域仿真(TDS)。因此，通过考虑系统的局域频率动态，运行人员可在无需配置惯量等额外频率控制服务的情况下，识别出满足网络中各监测母线频率要求的运行条件(OC)。所提方法的有效性在改进的 IEEE 39 母线网络上得到验证。
引用
@article{arxiv.2311.16078,
title = {Regulation of Disturbance Magnitude for Locational Frequency Stability Using Machine Learning},
author = {Alinane B. Kilembe Panagiotis N. Papadopoulos},
journal= {arXiv preprint arXiv:2311.16078},
year = {2023}
}