【标题】Deep Learning based Security-Constrained Unit Commitment Considering Locational Frequency Stability in Low-Inertia Power Systems

【作者团队】Mingjian Tuo, Xingpeng Li

【发表日期】2022.8.17

【论文链接】https://arxiv.org/ftp/arxiv/papers/2208/2208.08028.pdf

【推荐理由】随着电力系统脱碳的目标，传统的同步发电机逐渐被变流器接口的可再生能源发电所取代。由于系统惯性显着降低，这种转变引起了对系统频率和频率变化率 (RoCoF) 安全性的关注。现有研究大多来自统一的系统频率响应模型，其可能无法捕捉系统的所有特性。为了确保位置频率安全，本文提出了基于深度神经网络（DNN）的RoCoF约束机组组合（DNN-RCUC）模型。RoCoF 预测器经过训练，可根据高保真模拟数据集预测最高位置的 RoCoF。训练样本是从各种场景的模型中生成的，可以避免模拟发散和系统不稳定。然后将经过训练的网络重新制定为一组混合整数线性约束，表示单元承诺中的位置 RoCoF 限制约束。所提出的 DNN-RCUC 模型在 IEEE 24 总线系统上进行了研究。PSS/E 上的时域仿真结果证明了所提算法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除