Transient-Stability-Aware Frequency Provision in IBR-Rich Grids via Information Gap Decision Theory and Deep Learning

📄 arXiv: 2507.13265v1 📥 PDF

作者: Amin Masoumi, Mert Korkali

分类: eess.SY

发布日期: 2025-07-17

💡 一句话要点

提出基于信息间隙决策理论和深度学习的暂态稳定感知频率控制方法

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 暂态稳定 深度学习 信息间隙决策理论 虚拟惯性控制 高比例新能源 电力系统 频率稳定

📋 核心要点

  1. 高比例新能源接入导致电力系统惯性降低，传统虚拟惯性控制策略难以应对极端故障，存在暂态失稳风险。
  2. 提出一种基于深度学习和信息间隙决策理论的风险规避调度策略，提前预测故障后动态，主动调整资源分配。
  3. 在IEEE 39节点系统验证，70% IBR渗透率下，该方法能有效避免系统崩溃，成本仅增加5%。

📝 摘要（中文）

本文提出了一种框架，旨在解决高比例逆变器型资源（IBR）并网导致惯性降低引起的暂态稳定性丧失问题。该方法将预测性深度学习（DL）模型与信息间隙决策理论（IGDT）相结合，创建了一种风险规避的调度策略。通过重新构建传统的虚拟惯性调度（VIS）问题，该框架利用对故障后动态的早期预测，主动地重新调度资源，确保系统的惯性中心在最坏情况下的突发事件下保持稳定。在IBR渗透率达到70%的IEEE 39节点系统上进行的验证表明，所提出的方法可以防止传统VIS策略失效导致的系统崩溃，并在仅增加5%成本的情况下确保频率稳定性。

🔬 方法详解

问题定义：论文旨在解决高比例新能源电力系统中，由于逆变器型资源（IBR）的大量接入导致系统惯性降低，从而引发的暂态稳定性问题。传统的虚拟惯性调度（VIS）策略在面对严重的扰动时，可能无法有效维持系统的频率稳定，导致系统崩溃。现有方法缺乏对故障后动态的准确预测和风险规避能力。

核心思路：论文的核心思路是利用深度学习模型预测系统在故障发生后的动态响应，并结合信息间隙决策理论（IGDT）来量化预测的不确定性。基于此，制定一种风险规避的调度策略，主动调整资源的分配，以确保系统在最坏情况下的暂态稳定性。这种方法的核心在于“预测-评估-调整”的闭环控制。

技术框架：该框架主要包含以下几个模块：1) 数据采集与预处理模块：收集电力系统的运行数据，包括发电机出力、负荷需求、线路状态等，并进行清洗和标准化处理。2) 深度学习预测模块：利用深度学习模型（具体模型未知）预测系统在不同故障场景下的频率响应曲线。3) 信息间隙决策理论（IGDT）评估模块：利用IGDT量化深度学习预测的不确定性，并评估不同调度方案的鲁棒性。4) 优化调度模块：基于IGDT的评估结果，重新制定虚拟惯性调度策略，调整资源的分配，以最大程度地提高系统的暂态稳定性。

关键创新：该论文的关键创新在于将深度学习预测与信息间隙决策理论相结合，用于电力系统的暂态稳定控制。传统的VIS策略通常基于静态的系统参数进行调度，而该方法能够利用深度学习模型动态预测系统的响应，并利用IGDT量化预测的不确定性，从而制定更加鲁棒的调度策略。这种方法能够有效地应对高比例新能源接入带来的不确定性，提高系统的暂态稳定性。

关键设计：论文中深度学习模型的具体结构未知，但可以推测可能采用循环神经网络（RNN）或长短期记忆网络（LSTM）等擅长处理时序数据的模型。损失函数的设计可能包括频率偏差、频率变化率等指标，以确保模型能够准确预测系统的频率响应。信息间隙决策理论（IGDT）的具体应用方式未知，但可能用于评估不同调度方案在最坏情况下的性能表现，并选择鲁棒性最高的方案。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在IEEE 39节点系统上进行的仿真实验表明，该方法在70% IBR渗透率下，能够有效防止传统VIS策略失效导致的系统崩溃，并在仅增加5%成本的情况下确保频率稳定性。这表明该方法具有良好的实用性和经济性，能够为高比例新能源电力系统的稳定运行提供有效的解决方案。

🎯 应用场景

该研究成果可应用于高比例新能源电力系统的稳定运行控制，尤其是在风电、光伏等间歇性电源大量接入的场景下。通过提前预测系统动态并制定风险规避的调度策略，可以有效提高系统的暂态稳定性，降低系统崩溃的风险，保障电力系统的安全可靠运行。该方法还可推广到其他电力系统稳定控制领域，如电压稳定控制、功角稳定控制等。

📄 摘要（原文）

This paper introduces a framework to address the critical loss of transient stability caused by reduced inertia in grids with high inverter-based resource (IBR) penetration. The proposed method integrates a predictive deep learning (DL) model with information gap decision theory (IGDT) to create a risk-averse dispatch strategy. By reformulating the conventional virtual inertia scheduling (VIS) problem, the framework uses early predictions of post-fault dynamics to proactively redispatch resources, ensuring the system's center of inertia remains stable under worst-case contingencies. Validated on the IEEE 39-bus system with 70% IBR penetration, the proposed approach prevents system collapse where a conventional VIS strategy fails, ensuring frequency stability at a cost increase of only 5%.