view in publisher's site

Sparse learning of network-reduced models for locating low frequency oscillations in power systems

Highlights•Damping mechanism of power system stability is fundamentally studied.•It designs the criterion to locate sources of low frequency oscillations efficiently.•A data-driven method is proposed to characterize low frequency oscillation.•It can estimate damping coefficients and topological parameters simultaneously.AbstractWith increasing penetration intermittent renewable energy and the interactions between different power sources in an interconnected system, low frequency oscillations may occur and potentially threaten the security of power systems if the grid cannot support adequate damping. Locating sources of low frequency oscillations is of great importance, which needs finding the mechanism of the damping of low frequency oscillations for interpretation. The difficulty of this problem lies in the fact that the parameters associated with the power system model can range from slightly uncertain to entirely unknown. Therefore, we firstly focus on identifying the network-reduced model to characterize low frequency oscillation, and then utilizing Hamilton analysis to reveal mechanism of oscillation. Accordingly, the problem of locating low frequency oscillation is equivalent to identify equivalent negative damping coefficient. In this paper, we propose a novel data-driven method that estimates equivalent damping coefficients and topological parameters of the network-reduced model simultaneously. More specifically, the proposed method utilizes the sparse representation to select the most dominant nonlinear terms from a set of dictionary functions, which finally balances the data fitness and achieves dynamics learning. We validate and evaluate the proposed method on IEEE 9-bus test system and IEEE 39-bus test system. The results demonstrate the effectiveness of the proposed method in achieving dynamics learning and locating sources of low frequency oscillations from measurement data.

یادگیری پراکنده مدل‌های کاهش شبکه برای یافتن نوسانات فرکانس پایین در سیستم‌های قدرت

نکات برجسته مکانیسم کاهش پایداری سیستم قدرت اساسا مورد مطالعه قرار گرفته‌است. * این معیار را برای تعیین محل منابع نوسان فرکانس پایین به طور موثر طراحی می‌کند. * یک روش برگرفته از داده برای توصیف نوسان فرکانس پایین پیشنهاد شده‌است. * می‌تواند ضرایب میرایی و پارامترهای توپولوژیکی را به طور همزمان تخمین بزند. * واکنش با افزایش نفوذ انرژی تجدیدپذیر متناوب و تعاملات بین منابع قدرت مختلف در یک سیستم به‌هم‌پیوسته، نوسانات فرکانس پایین ممکن است رخ دهد و به طور بالقوه امنیت سیستم‌های قدرت را تهدید کند اگر شبکه نتواند میرایی کافی را پشتیبانی کند. پیدا کردن منابع نوسانات فرکانس پایین از اهمیت زیادی برخوردار است، که نیاز به پیدا کردن مکانیزم میرایی نوسانات فرکانس پایین برای تفسیر دارد. دشواری این مساله در این حقیقت نهفته‌است که پارامترهای مرتبط با مدل سیستم قدرت می‌توانند از کمی عدم قطعیت تا کاملا ناشناخته تغییر کنند. بنابراین، ما در ابتدا بر شناسایی مدل کاهش‌یافته شبکه برای توصیف نوسان فرکانس پایین، و سپس استفاده از تحلیل همیلتون برای نشان دادن مکانیسم نوسان تمرکز می‌کنیم. بر این اساس، مساله یافتن نوسان فرکانس پایین معادل با شناسایی ضریب میرایی منفی معادل می‌باشد. در این مقاله، ما یک روش داده محور جدید را پیشنهاد می‌کنیم که ضرایب میرایی معادل و پارامترهای توپولوژیکی مدل کاهش شبکه را به طور همزمان برآورد می‌کند. به طور خاص، روش پیشنهادی از نمایش تنک برای انتخاب جملات غیر خطی غالب از مجموعه‌ای از توابع دیکشنری استفاده می‌کند که در نهایت تناسب داده‌ها را متعادل کرده و به یادگیری پویا دست می‌یابد. ما روش پیشنهادی را بر روی سیستم تست ۹ باسه IEEE و سیستم تست ۳۹ باسه IEEE معتبر و ارزیابی می‌کنیم. نتایج، اثربخشی روش پیشنهادی در دستیابی به یادگیری دینامیک و یافتن منابع نوسانات فرکانس پایین از داده‌های اندازه‌گیری را نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Mechanical Engineering
  • ترجمه مقاله Mechanical Engineering
  • مقاله مهندسی مکانیک
  • ترجمه مقاله مهندسی مکانیک
  • مقاله Civil and Structural Engineering
  • ترجمه مقاله Civil and Structural Engineering
  • مقاله مهندسی عمران و طراحی ساختار
  • ترجمه مقاله مهندسی عمران و طراحی ساختار
  • مقاله Building and Construction
  • ترجمه مقاله Building and Construction
  • مقاله ساختمان‌سازی و ساخت و ساز
  • ترجمه مقاله ساختمان‌سازی و ساخت و ساز
  • مقاله Management, Monitoring, Policy and Law
  • ترجمه مقاله Management, Monitoring, Policy and Law
  • مقاله مدیریت، نظارت، سیاست و قانون
  • ترجمه مقاله مدیریت، نظارت، سیاست و قانون
  • مقاله General Energy
  • ترجمه مقاله General Energy
  • مقاله انرژی عمومی
  • ترجمه مقاله انرژی عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.