Learning the Frequency Dynamics of the Power System Using Higher-order Dynamic Mode Decomposition
作者: Xiao Li, Xinyi Wen, Benjamin Schäfer
分类: eess.SY
发布日期: 2025-02-10 (更新: 2025-02-18)
备注: 6 pages, 10 figures, PowerTech conference
💡 一句话要点
提出基于高阶动态模态分解的电力系统频率动态学习方法，解决传统线性模型预测精度不足的问题。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 电力系统稳定性 频率动态 高阶动态模态分解 数据驱动方法 非线性系统 可再生能源 动态模态分解
📋 核心要点
- 传统电力系统频率动态分析依赖线性化模型，但其在预测多时间尺度下的频率振荡时精度不足，无法准确反映非线性特性。
- 论文提出基于高阶动态模态分解（HODMD）的数据驱动方法，无需先验知识，能有效学习电力系统频率动态，适应高维系统。
- 实验结果表明，HODMD能够捕获系统范围内的时空模态，识别标准动态模态分解无法检测到的模态行为，验证了方法的有效性。
📝 摘要（中文）
可再生能源渗透率的提高，带来了低惯性和间歇性扰动，对电力系统稳定性提出了严峻挑战。频率动态及其相关的振荡现象是系统稳定性的关键指标，受到了广泛的研究关注。然而，现有研究主要采用线性化模型，我们的研究表明，线性近似在预测跨多个时间尺度的频率振荡动态时存在显著误差，因此需要考虑非线性特征。本文提出了一种基于高阶动态模态分解（HODMD）的数据驱动方法来学习频率动态。该方法相比其他非线性方法具有显著优势，包括无需先验知识、适应高维系统和鲁棒的性能。此外，HODMD在捕获系统范围内的时空模态方面表现出卓越的能力，成功识别了标准动态模态分解技术无法检测到的模态行为。通过IEEE 14节点和WECC系统的综合案例研究验证了所提出方法的有效性。
🔬 方法详解
问题定义：电力系统频率动态是评估系统稳定性的关键指标。随着可再生能源比例增加，系统惯性降低，扰动更加频繁，传统的线性化模型难以准确预测频率振荡，尤其是在多个时间尺度下。现有方法无法有效捕捉系统中的非线性动态特性，导致预测精度下降。
核心思路：论文的核心思路是利用高阶动态模态分解（HODMD）来学习电力系统的频率动态。HODMD是一种数据驱动的方法，能够从时间序列数据中提取系统的动态模态，无需预先假设系统的模型结构。通过考虑高阶信息，HODMD能够更好地捕捉系统中的非线性动态特性，从而提高预测精度。
技术框架：该方法首先收集电力系统的频率数据，然后利用HODMD算法对数据进行分解，提取出主要的动态模态。这些模态可以用于分析系统的振荡行为，并预测未来的频率动态。整个流程包括数据预处理、HODMD分解、模态选择和重构等步骤。
关键创新：该方法最重要的创新点在于使用HODMD来处理电力系统的频率动态数据。与传统的动态模态分解（DMD）相比，HODMD能够捕捉更高阶的非线性动态特性，从而更准确地描述系统的行为。此外，该方法是数据驱动的，不需要预先知道系统的模型结构，具有更强的适应性。
关键设计：HODMD算法的关键参数包括延迟嵌入的维度和模态选择的阈值。延迟嵌入的维度决定了算法能够捕捉的非线性动态的阶数，而模态选择的阈值则决定了哪些模态被保留用于重构。这些参数需要根据具体的数据进行调整，以获得最佳的性能。论文中可能还涉及了针对电力系统数据的预处理方法，例如滤波和降噪等。
🖼️ 关键图片
📊 实验亮点
论文在IEEE 14节点和WECC系统上进行了实验验证，结果表明HODMD能够有效地捕捉系统范围内的时空模态，并识别出标准DMD无法检测到的模态行为。具体的性能数据和提升幅度需要在论文中查找，但总体而言，HODMD在预测精度和模态识别能力上优于传统的线性方法。
🎯 应用场景
该研究成果可应用于电力系统的稳定性分析、故障诊断和控制。通过准确预测频率动态，可以提前预警潜在的系统风险，并采取相应的控制措施，提高电力系统的安全性和可靠性。此外，该方法还可以用于优化电力系统的运行，提高能源利用效率，促进可再生能源的消纳。
📄 摘要（原文）
The increasing penetration of renewable energy sources, characterised by low inertia and intermittent disturbances, presents substantial challenges to power system stability. As critical indicators of system stability, frequency dynamics and associated oscillatory phenomena have attracted significant research attention. While existing studies predominantly employ linearized models, our findings demonstrate that linear approximations exhibit considerable errors when predicting frequency oscillation dynamics across multiple time scales, thus necessitating the incorporation of nonlinear characteristics. This paper proposes a data-driven approach based on higher-order dynamical mode decomposition (HODMD) for learning frequency dynamics. The proposed method offers distinct advantages over alternative nonlinear methods, including no prior knowledge required, adaptability to high-dimensional systems, and robust performance. Furthermore, HODMD demonstrates superior capability in capturing system-wide spatio-temporal modes, successfully identifying modal behaviour that remains undetectable through standard Dynamic Mode Decomposition techniques. The efficacy of the proposed methodology is validated through comprehensive case studies on both IEEE 14-bus and WECC systems.