[논문 리뷰] Transient Stability Assessment of Networked Microgrids Using Neural Lyapunov Methods

Tong Huang, Sicun Gao외 1명|arXiv (Cornell University)|2020. 12. 02.

Microgrid Control and Optimization참고 문헌 15인용 수 4

한 줄 요약

이 논문은 신경 리아푸노프 함수를 사용하여 동적 안정성 영역을 추정하는 기계학습 기반 일시적 안정성 평가(TSA) 도구를 네트워크화된 마이크로그리드에 제안한다. 신경망을 사용해 국소 리아푸노프 함수를 학습함으로써, 특히 이질적인 인터페이스 동역학을 가진 시스템에서, 이차 리아푸노프 기반 접근 방식보다 훨씬 덜 보수적인 방식으로 시스템이 견딜 수 있는 교란을 특성화한다.

ABSTRACT

This paper proposes a novel transient stability assessment tool for networked microgrids based on neural Lyapunov methods. Assessing transient stability is formulated as a problem of estimating the dynamic security region of networked microgrids. We leverage neural networks to learn a local Lyapunov function in the state space. The largest security region is estimated based on the learned neural Lyapunov function, and it is used for characterizing disturbances that the networked microgrids can tolerate. The proposed method is tested and validated in a grid-connected microgrid, three networked microgrids with mixed interface dynamics, and the IEEE 123-node feeder. Case studies suggest that the proposed method can address networked microgrids with heterogeneous interface dynamics, and in comparison with conventional methods that are based on quadratic Lyapunov functions, can characterize the security regions with much less conservativeness.

연구 동기 및 목표

• 현대 분배 시스템에서 흔한 이질적인 인터페이스 동역학을 가진 네트워크화된 마이크로그리드에서 일시적 안정성 평가(TSA)의 과제를 해결한다.
• 시간 도메인 시뮬레이션 및 에너지 함수 방법과 같은 전통적 TSA 방법의 한계를 극복한다. 이러한 방법들은 계산 비용이 높거나 선로 손실 및 R/X 비율 문제로 인해 적용 불가능할 수 있다.
• 학습된 리아푸노프 함수를 사용해 엄밀한 안정성 인증을 제공하는 데이터 기반의 확장 가능한 TSA 도구를 개발하여 분배 시스템 운영자(DSO)의 실시간 상황 인식을 가능하게 한다.
• 이차 리아푸노프 함수 기반 방법에 비해 안정성 영역 추정의 보수성을 줄여, 더 정확한 교란 내성 특성화를 가능하게 한다.
• 복잡한 마이크로그리드 네트워크에서 실시간 안정성 평가를 위한 안정성 영역의 오프라인 설계 및 온라인 적용을 가능하게 한다.

제안 방법

• 신경망을 사용해 국소 리아푸노프 함수를 학습함으로써 상태 공간에서 동적 안정성 영역(DSR) 추정으로 일시적 안정성 평가를 공식화한다.
• 평형점 주변에서 리아푸노프 조건인 V(x) > 0 및 V̇(x) < 0를 만족시키기 위해 제약 조건이 부여된 최적화 프레임워크를 사용해 신경 리아푸노프 함수를 훈련한다.
• 리아푸노프 안정성 조건을 만족하는 유효한 상태 궤적을 생성하기 위해 만족 가능성 모듈러 이론(SMT) 솔버를 사용해 훈련 데이터셋을 보강한다.
• 학습된 리아푸노프 함수를 사용해 가장 큰 하위레벨 집합 S_α = {x | V_θ*(x) ≤ α}를 계산하여 추정된 안정성 영역으로 삼는다. 이는 안정적인 복구로 이어지는 초기 조건의 집합을 정의한다.
• 시간 도메인 시뮬레이션 없이도 사전 상태 운영 조건이 추정된 영역 내에 있는지 확인함으로써 실시간 안정성 평가를 위해 안정성 영역을 적용한다.
• 세 가지 테스트 케이스에서 방법을 검증한다: 그리드 연동 마이크로그리드, 혼합 동역학을 가진 세 개의 네트워크화된 마이크로그리드, 그리고 IEEE 123노드 분배 피더.

실험 결과

연구 질문

• RQ1 이질적인 인터페이스 동역학을 가진 네트워크화된 마이크로그리드의 동적 안정성 영역을 효과적으로 추정하기 위해 신경 리아푸노프 함수를 학습시킬 수 있는가?
• RQ2 제안된 방법이 기존의 이차 리아푸노프 함수 기반 방법에 비해 안정성 영역 추정에서 얼마나 덜 보수적인가?
• RQ3 제안된 방법은 시간 도메인 시뮬레이션에 의존하지 않고 실시간 안정성 인증을 제공할 수 있는가?
• RQ4 큰 교란과 다양한 네트워크 구성에서 안정성 인증 정확도를 유지할 수 있는가?
• RQ5 기존 방법이 추정한 영역 외부에 위치한 초기 조건에 대해서도 학습된 안정성 영역이 시스템 수렴을 정확하게 예측할 수 있는가?

주요 결과

• 제안된 신경 리아푸노프 방법은 하위레벨 집합 값 0.69를 가진 안정성 영역 S_0.69를 추정하였으며, 이는 안정적인 시스템 복구로 이어지는 초기 조건를 포함한다는 것이 검증되었다.
• IEEE 123노드 피더에서 제안된 방법은 초기 조건 x(0) = [-0.6, 0.2, 0, 0]^T rad가 기존의 이차 리아푸노프 기반 영역 외부에 있었지만 제안된 영역 내에 있었고, 시간 도메인 시뮬레이션을 통해 수렴이 확인되었다.
• 그림 14(b)에서 확인된 바와 같이, 신경 리아푸노프 방법으로 추정한 안정성 영역은 기존 방법보다 훨씬 덜 보수적이며, 이차 방법이 포괄하지 못한 영역을 포함하고 있었다.
• 훈련 과정은 리아푸노프 함수 V_θ*를 학습하는 데 2901.69초가 소요되었으며, 계산 비용이 있음에도 불구하고 오프라인 배포 가능성은 입증되었다.
• 이 방법은 실시간 안정성 평가를 가능하게 하였다: x(0)가 주어지면 DSO는 V_θ*(x(0)) < 0.69 여부를 확인하는 데 몯밀리초 내에 안정성을 판단할 수 있었으며, 시간 소모가 큰 시뮬레이션을 피할 수 있었다.
• 혼합된 인터페이스 동역학을 가진 시스템, 즉 세 개의 마이크로그리드 네트워크와 IEEE 123노드 테스트 피더에서 이 방법은 이질적 구성에서의 강건성을 보여주었다.