[论文解读] Transient Stability Assessment of Networked Microgrids Using Neural Lyapunov Methods

Tong Huang, Sicun Gao+1 more|arXiv (Cornell University)|Dec 2, 2020

Microgrid Control and Optimization参考文献 15被引用 4

一句话总结

本论文提出了一种基于机器学习的暂态稳定评估（TSA）工具，用于具有异质接口动态的联网微电网，采用神经李雅普诺夫函数来估计动态安全区域。通过训练神经网络以学习局部李雅普诺夫函数，该方法在系统具有异质接口动态时，相较于基于二次李雅普诺夫函数的方法，表现出显著更低的保守性，尤其适用于此类系统。

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.

研究动机与目标

• 解决现代配电网中常见的具有异质接口动态的联网微电网暂态稳定评估（TSA）挑战。
• 克服传统TSA方法（如时域仿真和能量函数法）的局限性——这些方法或计算成本过高，或因线路损耗和R/X比问题而不可行。
• 开发一种数据驱动、可扩展的TSA工具，利用学习到的李雅普诺夫函数提供严格的稳定性认证，从而为配电网运营商（DSOs）实现实时态势感知。
• 相较于基于二次李雅普诺夫函数的方法，降低安全区域估计的保守性，实现更精确的扰动耐受性表征。
• 实现安全区域的离线设计与在线应用，以支持复杂微电网网络中的实时稳定性评估。

提出的方法

• 将暂态稳定评估建模为在状态空间中估计动态安全区域（DSR）的问题，利用神经网络学习局部李雅普诺夫函数。
• 采用约束优化框架训练神经李雅普诺夫函数，以强制满足李雅普诺夫条件：在平衡点邻域内，V(x) > 0 且 V̇(x) < 0。
• 使用可满足性模理论（SMT）求解器扩充训练数据集，生成满足李雅普诺夫稳定性条件的有效状态轨迹。
• 利用学习到的李雅普诺夫函数计算最大子水平集 S_α = {x | V_θ*(x) ≤ α}，作为估计的安全区域，该区域定义了导致稳定恢复的初始条件集合。
• 通过检查预事件运行状态是否位于估计区域内部（无需仿真），将安全区域应用于实时稳定性评估。
• 在三个测试案例中验证该方法：并网微电网、具有混合动态特性的三个联网微电网，以及IEEE 123节点配电网馈线。

实验结果

研究问题

• RQ1 能否有效训练神经李雅普诺夫函数，以估计具有异质接口动态的联网微电网的动态安全区域？
• RQ2 与传统的基于二次李雅普诺夫函数的方法相比，所估计的安全区域的保守性如何？
• RQ3 所提出的方法是否能够在不依赖时域仿真的情况下实现实时稳定性认证？
• RQ4 该方法在大扰动和不同网络配置下是否仍能保持稳定性认证的准确性？
• RQ5 当初始条件位于传统方法估计区域之外时，所学习的安全区域是否能准确预测系统收敛？

主要发现

• 所提出的神经李雅普诺夫方法估计的安全区域 S_0.69 对应子水平集值为 0.69，经验证包含导致系统稳定恢复的初始条件。
• 该方法在IEEE 123节点馈线中成功表征了安全区域，其中初始条件 x(0) = [-0.6, 0.2, 0, 0]^T rad 位于传统基于二次李雅普诺夫函数的区域之外，但位于所提方法的区域之内，且时域仿真证实了收敛性。
• 如图14(b)所示，与传统方法相比，基于神经李雅普诺夫方法估计的安全区域显著降低了保守性，包含了二次方法未能捕捉的区域。
• 训练过程耗时2901.69秒，表明尽管计算成本较高，但该方法仍具备离线部署的可行性。
• 该方法实现了实时稳定性评估：给定 x(0)，配电网运营商（DSO）可在毫秒级内通过检查 V_θ*(x(0)) < 0.69 判断稳定性，避免了耗时的仿真过程。
• 该方法在混合接口动态系统中表现有效，包括三微电网网络和IEEE 123节点测试馈线，证明了其在异质配置下的鲁棒性。