Data-Driven Subsynchronous Oscillation Suppression for Renewable Energy Integrated Power Systems Based on Koopman Operator

📄 arXiv: 2407.02124v2 📥 PDF

作者: Zihan Wang, Ziyang Huang, Xiaonan Zhang, Gengyin Li, Le Zheng

分类: eess.SY

发布日期: 2024-07-02 (更新: 2025-05-24)

期刊: CSEE Journal of Power and Energy Systems (2024)

DOI: 10.17775/CSEEJPES.2024.04000

💡 一句话要点

提出基于Koopman算子的数据驱动最优控制，抑制新能源并网引起的次同步振荡

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)

关键词: 次同步振荡 Koopman算子 模型预测控制 数据驱动控制 新能源并网

📋 核心要点

  1. 新能源高渗透率导致电力系统次同步振荡(SSO)问题日益突出，传统控制方法难以应对系统模型的非线性与复杂性。
  2. 利用Koopman算子从数据中提取系统动力学，构建线性时变预测模型，并结合模型预测控制(MPC)实现SSO抑制。
  3. 实验结果表明，该控制器在各种工况下均表现出良好的有效性、自适应性和鲁棒性，控制性能优于其他控制器。

📝 摘要（中文）

随着可再生能源在现代电力系统中渗透率的提高，次同步振荡(SSO)问题日益频繁。由可再生能源引起的SSO已成为一个新的突出稳定性问题，严重威胁着系统的稳定运行。本文提出了一种数据驱动的动态最优控制器，用于可再生能源并网电力系统，通过控制可再生能源来抑制SSO。控制器设计的挑战在于系统模型的非线性、复杂性和难以获取性。利用Koopman算子，从数据中精确提取系统动力学，并将其用于线性模型预测控制(MPC)。案例研究表明，所提出的控制器在各种条件下都是有效的、自适应的和鲁棒的，超越了其他控制器，具有可靠的控制性能。

🔬 方法详解

问题定义：论文旨在解决新能源并网电力系统中日益严重的次同步振荡(SSO)问题。传统控制方法依赖于精确的系统模型，但新能源并网系统的非线性、复杂性和模型难以获取性使得传统方法难以有效抑制SSO。现有方法通常需要简化模型或进行线性化处理，导致控制性能下降，鲁棒性不足。

核心思路：论文的核心思路是利用Koopman算子将非线性系统动力学线性化，从而可以使用线性模型预测控制(MPC)方法进行控制。Koopman算子可以将非线性动力学映射到一个高维线性空间，使得可以使用线性方法进行分析和控制。通过数据驱动的方式学习Koopman算子，避免了对系统模型的精确依赖。

技术框架：整体框架包括以下几个主要步骤：1) 数据采集：收集电力系统运行数据，包括电压、电流、功率等。2) Koopman算子学习：利用数据学习Koopman算子，得到系统的线性表示。3) 状态选择：分析Koopman参与因子，选择对SSO影响最大的状态作为控制信号。4) 线性时变预测模型构建：基于Koopman算子构建线性时变预测模型，并加入控制项。5) 模型预测控制：利用MPC算法，在线计算控制信号，实现SSO抑制。

关键创新：论文的关键创新在于：1) 将Koopman算子应用于新能源并网电力系统的SSO抑制问题，实现了非线性系统动力学的线性化。2) 提出了一种数据驱动的Koopman算子学习方法，避免了对系统模型的精确依赖。3) 结合Koopman算子和MPC，设计了一种动态最优控制器，具有良好的控制性能和鲁棒性。与现有方法的本质区别在于，该方法不需要对系统模型进行简化或线性化处理，能够更好地适应系统的非线性特性。

关键设计：1) Koopman算子学习：采用Extended Dynamic Mode Decomposition (EDMD)算法学习Koopman算子。2) 状态选择：通过分析Koopman参与因子，选择对SSO影响最大的状态作为控制信号。3) 线性时变预测模型：构建线性时变预测模型，预测系统未来状态。4) 模型预测控制：采用二次规划求解MPC问题，得到最优控制信号。关键参数包括预测时域长度、控制时域长度、控制权重等。

📊 实验亮点

案例研究表明，所提出的控制器在各种工况下均表现出良好的控制性能，能够有效抑制SSO。与其他控制器相比，该控制器具有更快的响应速度、更小的超调量和更好的鲁棒性。具体性能数据未知，但摘要强调了其超越其他控制器的可靠控制性能。

🎯 应用场景

该研究成果可应用于大规模新能源并网电力系统的稳定控制，提高系统运行的可靠性和安全性。通过数据驱动的方式，能够有效应对系统参数变化和不确定性，降低对精确系统模型的依赖。未来可进一步推广到其他电力系统稳定控制问题，例如低频振荡抑制、电压稳定控制等。

📄 摘要（原文）

Recently, subsynchronous oscillations (SSOs) have emerged frequently worldwide, with the high penetration of renewable power generation in modern power systems. The SSO introduced by renewables has become a prominent new stability problem, seriously threatening the stable operation of systems. This paper proposes a data-driven dynamic optimal controller for renewable energy integrated power systems, to suppress SSOs with the control of renewables. The challenges of the controller design are the nonlinearity, complexity and hard accessibility of the system models. Using Koopman operator, the system dynamics are accurately extracted from data and utilized to the linear model predictive control (MPC). Firstly, the globally linear representation of the system dynamics is obtained by lifting, and the key states are selected as control signals by analyzing Koopman participation factors. Subsequently, augmented with the control term, the Koopman linear parameter-varying predictor of the controlled system is constructed. Finally, using MPC, the proposed controller computes control signals online in a moving horizon fashion. Case studies show that the proposed controller is effective, adaptive and robust in various conditions, surpassing other controllers with reliable control performance.