[论文解读] Decentralized Data-Enabled Predictive Control for Power System Oscillation Damping

Linbin Huang, Jeremy Coulson+2 more|arXiv (Cornell University)|Nov 27, 2019

Power System Optimization and Stability参考文献 47被引用 13

一句话总结

该论文提出了一种去中心化的数据驱动预测控制（DeePC）框架，用于电力系统中的广域振荡阻尼，仅使用VSC-HVDC站的测量输入/输出数据，无需依赖详细的系统模型。Min-Max DeePC算法实现了鲁棒、去中心化且实时的控制，在存在噪声、时延和不确定性的情况下仍能显著提升阻尼性能，通过四区域系统高保真度仿真验证，k=16时求解时间仅为0.44秒。

ABSTRACT

We employ a novel data-enabled predictive control (DeePC) algorithm in voltage source converter (VSC) based high-voltage DC (HVDC) stations to perform safe and optimal wide-area control for power system oscillation damping. Conventional optimal wide-area control is model-based. However, in practice detailed and accurate parametric power system models are rarely available. In contrast, the DeePC algorithm uses only input/output data measured from the unknown system to predict the future trajectories and calculate the optimal control policy. We showcase that the DeePC algorithm can effectively attenuate inter-area oscillations even in the presence of measurement noise, communication delays, nonlinear loads and uncertain load fluctuations. We investigate the performance under different matrix structures as data-driven predictors. Furthermore, we derive a novel Min-Max DeePC algorithm to be applied independently in multiple VSC-HVDC stations to mitigate inter-area oscillations, which enables decentralized and robust optimal wide-area control. Further, we discuss how to relieve the computational burden of the Min-Max DeePC by reducing the dimension of prediction uncertainty and how to leverage disturbance feedback to reduce the conservativeness of robustification. We illustrate our results with high-fidelity, nonlinear, and noisy simulations of a four-area test system.

研究动机与目标

• 为解决基于模型的广域控制在电力系统中的局限性，即由于参数不确定性、设备控制律未知以及电网动态变化，准确的系统模型往往难以获得。
• 开发一种数据驱动的控制方法，仅利用VSC-HVDC站的输入/输出测量数据来预测系统行为并计算最优控制动作，而无需依赖参数化系统模型。
• 通过引入考虑未来扰动不确定性的Min-Max DeePC算法，实现去中心化、鲁棒且实时的广域阻尼控制。
• 通过引入扰动反馈和降维技术，降低鲁棒控制中的计算负担和保守性。

提出的方法

• DeePC算法利用从测量输入/输出轨迹构建的数据Hankel矩阵，以数据为中心、非参数化的方式表征系统行为，实现无需系统辨识的未来轨迹预测。
• Min-Max DeePC公式在优化中引入最坏情况扰动不确定性，确保对未来的扰动具有鲁棒性，同时支持在多个VSC-HVDC站之间的去中心化实施。
• 通过在数据Hankel矩阵上应用奇异值分解（SVD）实现噪声滤波，提升在噪声测量条件下的预测精度。
• 引入扰动反馈（DF）策略，通过将反馈效应纳入鲁棒优化，降低保守性，使更长的预测时域成为可能而不会导致性能下降。
• 使用YALMIP工具箱求解鲁棒优化问题，控制时域设为k=16，在标准硬件上实现约0.44秒的求解时间，支持实时实现。
• 采用高保真、非线性且含噪声的四区域电力系统测试案例对框架进行验证，包含VSC-HVDC站和非线性负荷。

Figure 1: One-line diagram of a four-area test system with integration of an HVDC link.

实验结果

研究问题

• RQ1 一种数据驱动的控制方法是否能在不依赖参数化系统模型的情况下，有效抑制电力系统中的区域间振荡？
• RQ2 在通信时延、测量噪声和负荷波动条件下，Min-Max DeePC与标准DeePC的性能相比如何？
• RQ3 在存在未来扰动不确定性的情况下，扰动反馈在多大程度上可降低鲁棒控制的保守性？
• RQ4 Min-Max DeePC在实时实现方面是否具备计算可行性？维度缩减对可扩展性有何影响？
• RQ5 DeePC的去中心化实现是否能在无集中控制器的情况下维持全系统的阻尼性能？

主要发现

• 在较长控制时域（k=16）下，Min-Max DeePC算法的阻尼比显著高于标准DeePC；DF Min-Max DeePC在k=24时仍保持高性能，而标准Min-Max DeePC无法消除振荡。
• 扰动反馈策略降低了保守性，支持更长的预测时域并提升了鲁棒性，表现为在k>22时仍能维持高阻尼比。
• 在配备8GB内存的Intel Core i5 7200U CPU上，鲁棒优化问题的求解时间约为0.44秒，证实了对k≥22的实时可行性。
• 通过在数据Hankel矩阵上应用SVD进行噪声滤波，显著提升了噪声测量条件下的预测精度和阻尼性能。
• 去中心化的Min-Max DeePC框架有效抑制了所有四个区域的区域间振荡，展示了其可扩展性和可靠性，且无需集中协调。
• 该框架在非线性负荷、负荷波动和通信时延下仍保持鲁棒性能，证实了其在实际电力系统中的实用潜力。

Figure 2: Centralized wide-area control based on DeePC.