两阶段 WECC 复合负荷建模：一种双重深度 Q 学习网络方法
系统与控制
2020-04-17 v2 机器学习
系统与控制
信号处理
机器学习
摘要
随着现代电力系统复杂性的增加，采用 ZIP 与感应电动机（ZIP + IM）的传统动态负荷建模已不足以应对当前负荷特性的转变。近年来，WECC 复合负荷模型（WECC CLM）已在各类稳定性研究与事故分析中显示出较传统负荷模型更有效地捕捉动态负荷响应。然而，一个详细的 WECC CLM 模型通常具有高度复杂性，含逾百个参数，且缺乏识别与校准这些参数的系统性方法。借助相量测量单元（PMU）的广泛部署与先进的深度学习算法，本文提出一种基于双重深度 Q 学习网络（DDQN）的 WECC CLM 两阶段负荷建模框架。该两阶段方法对复杂的 WECC CLM 进行分解以实现更高效的识别，且不需要显式的模型细节。在第一阶段，DDQN 智能体确定准确的负荷组成。在第二阶段，WECC CLM 的参数从一组蒙特卡洛仿真中选出。所选负荷参数集合预期能最佳逼近真实暂态响应。所提框架在商业仿真平台上使用 IEEE 39 总线测试系统进行了验证。
引用
@article{arxiv.1911.04894,
title = {Two-stage WECC Composite Load Modeling: A Double Deep Q-Learning Networks Approach},
author = {Xinan Wang and Yishen Wang and Di Shi and Jianhui Wang and Zhiwei Wang},
journal= {arXiv preprint arXiv:1911.04894},
year = {2020}
}
备注
To appear in IEEE Transactions on Smart Grid