Frequency-Dynamics-Aware Economic Dispatch with Optimal Grid-Forming Inverter Allocation and Reserved Power Headroom

📄 arXiv: 2512.01814v1 📥 PDF

作者: Fan Jiang, Xingpeng Li

分类: eess.SY

发布日期: 2025-12-01

💡 一句话要点

提出基于深度学习的频率动态感知经济调度方法，优化电网重构逆变器配置和预留功率

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 频率约束最优潮流 深度学习 电网重构逆变器 频率动态 电力系统稳定性

📋 核心要点

  1. 传统FCOPF方法在处理高比例逆变器接入时，难以兼顾频率动态的精确建模和GFM逆变器的优化配置。
  2. 该论文提出一种基于深度学习的FCOPF框架，利用DL模型精确预测频率相关指标，并将其整合到优化调度中。
  3. 实验结果表明，该方法能以较低成本协调同步发电机和逆变器，实现期望的频率响应，且计算时间可接受。

📝 摘要（中文）

逆变器型资源（IBRs）的高渗透率降低了系统惯性，导致频率稳定性问题，尤其是在同步发电机（SG）停运期间。为了在确保经济效率的同时，将频率动态维持在安全范围内，采用了频率约束最优潮流（FCOPF）。然而，现有的研究要么忽略了电网重构（GFM）IBRs的频率支持能力和配置，要么由于模型简化而导致频率动态表示的精度有限。为了解决这个问题，本文提出了一种基于深度学习（DL）的FCOPF（DL-FCOPF）框架。首先，开发了一个DL模型作为预测器，以准确估计与频率相关的指标：所需的预留裕量和GFM IBRs的配置、频率变化率和频率最低点。在使用电磁暂态仿真获得的数据进行训练后，将DL模型重新构建并纳入FCOPF中。在两个测试系统上进行的案例研究表明了该方法的有效性。与传统的OPF和线性FCOPF基准相比，DL-FCOPF可以以最小的成本优化协调SG和IBRs，在可接受的计算时间内实现所需的频率响应。此外，还进行了敏感性分析，以确定基于DL的频率预测器的最合适的结构和线性化方法。

🔬 方法详解

问题定义：在高比例新能源接入的电力系统中，同步发电机故障会导致系统频率快速下降，威胁系统稳定性。传统的频率约束最优潮流（FCOPF）方法难以精确建模复杂的频率动态过程，并且忽略了电网重构逆变器（GFM IBRs）的频率支撑能力和优化配置，导致调度结果不理想。

核心思路：利用深度学习（DL）模型强大的非线性拟合能力，学习电磁暂态仿真数据，精确预测频率变化率（RoCoF）和频率最低点（Nadir）等频率动态指标。然后，将训练好的DL模型嵌入到FCOPF框架中，指导GFM IBRs的配置和功率调度，从而在满足频率约束的同时，实现经济最优。

技术框架：该方法主要包含两个阶段：1) 离线训练阶段：利用电磁暂态仿真数据训练DL模型，使其能够准确预测频率动态指标，包括所需的预留裕量和GFM IBRs的配置、频率变化率和频率最低点。2) 在线优化阶段：将训练好的DL模型嵌入到FCOPF框架中，作为一个预测器，指导电网的经济调度，同时满足频率稳定性的约束。

关键创新：该方法的核心创新在于将深度学习模型与传统的FCOPF框架相结合，利用DL模型精确预测频率动态，克服了传统方法在频率动态建模方面的不足。通过DL模型，可以更准确地评估系统在不同运行条件下的频率响应，从而优化GFM IBRs的配置和功率调度。

关键设计：DL模型的结构选择和线性化方法是关键设计。论文通过敏感性分析，确定了最合适的DL模型结构和线性化方法，以便将其嵌入到FCOPF中。此外，损失函数的设计也至关重要，需要综合考虑频率变化率和频率最低点的预测精度，以及预留裕量的合理性。

📊 实验亮点

该论文提出的DL-FCOPF方法在两个测试系统上进行了验证，结果表明，与传统的OPF和线性FCOPF相比，该方法能够以更低的成本实现期望的频率响应。具体而言，DL-FCOPF能够更有效地协调同步发电机和逆变器，优化GFM IBRs的配置，从而在满足频率约束的同时，降低发电成本。此外，敏感性分析结果表明，所选的DL模型结构和线性化方法能够保证预测精度和计算效率。

🎯 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经济调度和运行控制，提高系统频率稳定性，降低运行成本。通过优化GFM逆变器的配置和功率调度，可以有效应对同步发电机故障等突发事件，保障电力系统的安全可靠运行。该方法还可用于评估不同新能源接入方案对系统频率稳定性的影响，为电网规划提供决策支持。

📄 摘要（原文）

The high penetration of inverter-based resources (IBRs) reduces system inertia, leading to frequency stability concerns, especially during synchronous generator (SG) outages. To maintain frequency dynamics within secure limits while ensuring economic efficiency, frequency-constrained optimal power flow (FCOPF) is employed. However, existing studies either neglect the frequency support capability and allocation of grid-forming (GFM) IBRs or suffer from limited accuracy in representing frequency dynamics due to model simplifications. To address this issue, this paper proposes a deep learning (DL)-based FCOPF (DL-FCOPF) framework. A DL model is first developed as a predictor to accurately estimate frequency-related metrics: the required reserved headroom and allocation of GFM IBRs, the rate of change of frequency and frequency nadir. After being trained with data obtained from electromagnetic transient simulations, the DL model is reformulated and incorporated into FCOPF. Case studies conducted on two test systems demonstrate the effectiveness of the proposed approach. Compared with the traditional OPF and linear FCOPF benchmarks, the DL-FCOPF can optimally coordinate SGs and IBRs with minimum cost, achieving desired frequency response, within an acceptable computing time. Further-more, sensitivity analyses are conducted to identify the most suit-able structure and linearization approach of the DL-based frequency predictor.