[论文解读] A Review of Neural Network Based Machine Learning Approaches for Rotor Angle Stability Control

Reza Yousefian, Sukumar Kamalasadan|arXiv (Cornell University)|Jan 5, 2017

Power System Optimization and StabilityEngineering参考文献 80被引用 21

一句话总结

本文综述了基于神经网络的机器学习方法——特别是强化学习（RL）和监督学习（SL）——在现代电力系统转子功角稳定控制中的应用。评估其在广域监测与控制、暂态稳定评估以及可再生能源集成方面的有效性，表明RL和SL方法在处理非线性和不确定性方面优于经典控制器。

ABSTRACT

This paper reviews the current status and challenges of Neural Networks (NNs) based machine learning approaches for modern power grid stability control including their design and implementation methodologies. NNs are widely accepted as Artificial Intelligence (AI) approaches offering an alternative way to control complex and ill-defined problems. In this paper various application of NNs for power system rotor angle stabilization and control problem is discussed. The main focus of this paper is on the use of Reinforcement Learning (RL) and Supervised Learning (SL) algorithms in power system wide-area control (WAC). Generally, these algorithms due to their capability in modeling nonlinearities and uncertainties are used for transient classification, neuro-control, wide-area monitoring and control, renewable energy management and control, and so on. The works of researchers in the field of conventional and renewable energy systems are reported and categorized. Paper concludes by presenting, comparing and evaluating various learning techniques and infrastructure configurations based on efficiency.

研究动机与目标

• 评估基于神经网络的机器学习技术在现代电力系统转子功角稳定控制中的当前发展状态。
• 分析监督学习（SL）和强化学习（RL）在广域控制（WAC）和暂态稳定评估中的应用。
• 比较基于人工智能的控制器与经典控制方法在处理非线性、不确定性及时变动态特性方面的性能。
• 考察基于学习的控制器在实时电力系统应用中实施过程中的挑战与可靠性问题。
• 评估神经网络在可再生能源集成系统中的作用，特别是对电压和功率振荡控制的贡献。

提出的方法

• 本文综述了多种神经网络架构，包括深度神经网络和径向基函数网络（RBFNN），在电力系统动态过程中的应用。
• 分析了利用带标签输入-输出数据的监督学习（SL）方法，用于微电网和可再生能源集成中的系统建模、控制与预测。
• 评估了强化学习（RL）技术，如自适应动态规划（ADP）和启发式动态规划（HDP），通过与系统交互实现最优控制策略的学习。
• 研究了自适应鉴错设计（ACD）和基于神经网络的控制器在广域监测与控制（WAM）中的应用，包括阻尼区域间振荡。
• 评估了神经网络在暂态稳定评估中的应用，包括同步区域聚类和故障后系统行为分类。
• 基于计算效率、精度和实时可行性，比较了不同基础设施配置和学习技术。

实验结果

研究问题

• RQ1 强化学习和监督学习算法在提升大规模电力系统转子功角稳定性方面的有效性如何？
• RQ2 在高比例可再生能源渗透的电力系统中，使用神经网络进行广域控制（WAC）的关键优势与局限性是什么？
• RQ3 基于人工智能的控制器与经典控制方法相比，在处理电力系统动态中的非线性和不确定性方面表现如何？
• RQ4 在实时电力系统应用中部署基于学习的控制器面临的主要挑战是什么？
• RQ5 神经网络在具有多种故障方式的电力系统中，对暂态稳定评估与控制的增强程度如何？

主要发现

• 基于神经网络的控制器，特别是采用强化学习（RL）的控制器，在阻尼区域间振荡和故障条件下提升暂态稳定性方面表现出优越性能。
• 监督学习（SL）方法能有效建模非线性系统动态特性，并已在微电网控制、基于双馈感应发电机（DFIG）的风力涡轮机以及整流器/逆变器控制中成功应用，其动态响应优于PID控制器。
• 基于强化学习的控制器，如采用自适应动态规划（ADP）和启发式动态规划（HDP）的控制器，在广域控制方案中展现出强大的自适应能力和预测能力。
• 神经网络在处理不确定性与非线性方面优于经典控制器，尤其在可再生能源集成系统中表现突出。
• 在广域监测（WAM）中采用RBFNN可提升系统在暂态事件中的响应性能，但通信时延和多台风力发电场集成仍是待解决的挑战。
• 尽管结果具有前景，但基于学习的控制器具有启发式特性且维度较高，引发可靠性担忧，限制了其在实时电力系统中的全面部署。