Stability-Constrained Learning for Frequency Regulation in Power Grids with Variable Inertia
作者: Jie Feng, Manasa Muralidharan, Rodrigo Henriquez-Auba, Patricia Hidalgo-Gonzalez, Yuanyuan Shi
分类: eess.SY
发布日期: 2024-05-30 (更新: 2024-06-11)
备注: This paper is to appear in IEEE Control System Letters (L-CSS)
💡 一句话要点
提出一种基于稳定约束学习的线性与神经网络混合控制器，用于解决变惯量电力系统中频率调节问题。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 电力系统频率控制 变惯量系统 神经网络控制 李雅普诺夫稳定性 混合控制 新能源发电 稳定性约束学习
📋 核心要点
- 传统电力系统频率控制方法难以应对新能源渗透率提高带来的低惯量和时变惯量挑战。
- 提出一种线性与神经网络混合控制器，利用李雅普诺夫理论保证在时变惯量下的稳定性。
- 实验表明，该控制器在稳定时间和控制成本方面优于传统线性控制器，性能接近LQR。
📝 摘要（中文）
随着基于变流器的新能源发电渗透率不断提高，电力系统频率动态变化加快，惯量降低且变化不定。因此，需要频率控制方法能够在与快速变流器动态特性相当的时间尺度上稳定电力系统中的扰动。本文提出了一种用于基于逆变器的初级频率控制的线性与神经网络混合控制器，该控制器在时变惯量水平下保持稳定。我们通过切换仿射混合系统模型对惯量的时间变化进行建模。我们通过二次候选李雅普诺夫函数推导了所提出控制器的稳定性证书。我们在一个12节点3区域测试网络上测试了所提出的控制，并将其性能与基本线性控制器、优化线性控制器和有限时域线性二次调节器（LQR）进行了比较。与优化的线性控制器相比，我们提出的控制器在100个惯性场景中实现了更快的平均稳定时间和超过50%的平均控制成本降低。与需要完全了解整个控制时间范围内的惯性轨迹和系统动态的LQR不同，我们提出的控制器是实时可处理的，并且实现了与LQR相当的性能。
🔬 方法详解
问题定义：电力系统中新能源发电占比增加导致系统惯量降低且具有时变性，传统频率控制方法难以保证系统稳定性，尤其是在快速变流器动态特性影响下。现有方法，如线性控制器，在面对惯量变化时性能下降，而LQR虽然性能好，但需要预知未来惯量轨迹和系统动态，不具备实时性。
核心思路：核心思路是设计一个结合线性控制器和神经网络控制器的混合控制策略，利用线性控制器的稳定性和神经网络控制器的自适应性。通过李雅普诺夫稳定性理论，对神经网络控制器的权重进行约束，保证整个系统在时变惯量下的稳定性。这样既能保证系统的鲁棒性，又能提高控制性能。
技术框架：整体框架包括以下几个主要模块：1) 电力系统模型，采用切换仿射混合系统对时变惯量进行建模；2) 线性控制器，提供基础的频率控制；3) 神经网络控制器，对线性控制器的不足进行补偿，提高控制性能；4) 稳定性验证模块，利用李雅普诺夫理论验证混合控制器的稳定性，并对神经网络的权重进行约束。
关键创新：最重要的创新点在于将神经网络控制器与李雅普诺夫稳定性理论相结合，提出了一种稳定约束学习方法。与传统的神经网络控制方法不同，该方法能够保证控制器在时变惯量下的稳定性。与LQR相比，该方法不需要预知未来的系统动态，具有更好的实时性。
关键设计：关键设计包括：1) 切换仿射混合系统模型的参数选择，需要准确反映电力系统的动态特性；2) 神经网络的结构设计，需要选择合适的网络层数和神经元个数，以保证控制性能；3) 李雅普诺夫函数的选择，需要选择合适的二次候选李雅普诺夫函数，以保证稳定性验证的有效性；4) 神经网络权重的约束条件，需要根据李雅普诺夫稳定性条件推导得出，以保证系统的稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的混合控制器在100个不同的惯量场景下，相比于优化的线性控制器，平均稳定时间更快，控制成本降低超过50%。同时，该控制器在性能上与需要预知未来信息的LQR控制器相当，但具有更好的实时性，更适用于实际应用。
🎯 应用场景
该研究成果可应用于含高比例新能源电力系统的频率控制，提高系统对惯量变化的适应能力，保障电力系统的稳定运行。该方法具有实时性和鲁棒性，可用于开发智能化的电力系统控制系统，促进新能源的可靠接入和利用，对构建新型电力系统具有重要意义。
📄 摘要（原文）
The increasing penetration of converter-based renewable generation has resulted in faster frequency dynamics, and low and variable inertia. As a result, there is a need for frequency control methods that are able to stabilize a disturbance in the power system at timescales comparable to the fast converter dynamics. This paper proposes a combined linear and neural network controller for inverter-based primary frequency control that is stable at time-varying levels of inertia. We model the time-variance in inertia via a switched affine hybrid system model. We derive stability certificates for the proposed controller via a quadratic candidate Lyapunov function. We test the proposed control on a 12-bus 3-area test network, and compare its performance with a base case linear controller, optimized linear controller, and finite-horizon Linear Quadratic Regulator (LQR). Our proposed controller achieves faster mean settling time and over 50% reduction in average control cost across $100$ inertia scenarios compared to the optimized linear controller. Unlike LQR which requires complete knowledge of the inertia trajectories and system dynamics over the entire control time horizon, our proposed controller is real-time tractable, and achieves comparable performance to LQR.