Lokalisierung der Quelle von erzwungenen Schwingungen aus Generatormessungen

Keskeiset käsitteet

Eine datengesteuerte Maximum-Likelihood-basierte Methode wird vorgestellt, um die Quelle und Frequenz von erzwungenen Schwingungen in Übertragungsnetzen unter Berücksichtigung von Lastbussen ohne Trägheit und Dämpfung zu lokalisieren.

Tiivistelmä

Der Artikel befasst sich mit der Lokalisierung und Identifizierung der Quelle und Frequenz von erzwungenen Schwingungen in Stromübertragungsnetzen. Die Autoren erweitern einen zuvor vorgeschlagenen datengesteuerten Maximum-Likelihood-Ansatz, um realistische Szenarien zu berücksichtigen, bei denen auch Lastbusse ohne Trägheit oder Dämpfung vorhanden sind, wie z.B. passive Lasten und umrichterbasierte Generatoren.
Der Ansatz basiert auf einer expliziten Kron-Reduktion der Netzdynamik, die direkt in den Likelihood-Schätzer integriert wird. Dies ermöglicht es, die Quelle und Frequenz der Anregung sowohl an traditionellen Generatoren als auch an unbeobachteten Last-/umrichterbasierten Ressourcebussen zu identifizieren.
Die Leistungsfähigkeit des Verfahrens wird anhand eines einfachen Modellnetzes und des IEEE-57-Bus-Testsystems demonstriert. Die Ergebnisse zeigen, dass die Methode in der Lage ist, die Quelle und Frequenz der erzwungenen Schwingungen korrekt zu identifizieren, auch wenn die Anregung an Lastbussen auftritt, die weit von den beobachteten Generatorbussen entfernt sind.

Tilastot

Die Trägheits- und Dämpfungsparameter der Generatoren sind heterogen und betragen mi = 2,5s2, di = 1s für i = 1, 2, 4, 6, 7, m3 = 4s2, m5 = 1,5s2, d3 = 1,6s, d5 = 0,6s.
Die Amplitude der Anregung und des Rauschens betragen jeweils γ = 3 und σ = 0,2.

Lainaukset

Keine relevanten Zitate identifiziert.

Tärkeimmät oivallukset

Forced oscillation source localization from generator measurements

by Melvyn Tyloo... klo arxiv.org 03-26-2024

https://arxiv.org/pdf/2310.00458.pdf

Syvällisempiä Kysymyksiä

Wie könnte der Ansatz erweitert werden, um mit unvollständiger Kenntnis der Kron-reduzierten Laplace-Matrix umzugehen?

Um mit unvollständiger Kenntnis der Kron-reduzierten Laplace-Matrix umzugehen, könnte der Ansatz durch die Integration von Unsicherheiten in die Schätzungen verbessert werden. Dies könnte durch die Anwendung von probabilistischen Methoden wie dem Bayes'schen Ansatz erfolgen, um die Unsicherheit in den Schätzungen der Systemparameter zu quantifizieren. Durch die Verwendung von Bayes'schen Techniken könnte eine robustere Schätzung der Kron-reduzierten Matrix erreicht werden, selbst wenn nicht alle Informationen verfügbar sind. Darüber hinaus könnte die Verwendung von Regularisierungstechniken helfen, um mit unvollständigen Daten umzugehen und die Schätzungen zu stabilisieren.

Wie könnte der Ansatz angepasst werden, um den Fall einer unvollständigen Beobachtung der Generatoren im Netz zu berücksichtigen?

Um den Fall einer unvollständigen Beobachtung der Generatoren im Netz zu berücksichtigen, könnte der Ansatz durch die Integration von Techniken des maschinellen Lernens verbessert werden. Durch die Verwendung von Methoden wie Transfer Learning oder Semi-Supervised Learning könnte das Modell auf unvollständigen Daten trainiert werden und dennoch genaue Vorhersagen treffen. Darüber hinaus könnten Ensemble-Methoden eingesetzt werden, um die Robustheit des Modells gegenüber unvollständigen Beobachtungen zu erhöhen. Eine weitere Möglichkeit wäre die Verwendung von Imputationsmethoden, um fehlende Daten zu ergänzen und so die Genauigkeit der Schätzungen zu verbessern.

Welche Auswirkungen hätten heterogene Standardabweichungen des Rauschens auf die Optimierung?

Heterogene Standardabweichungen des Rauschens könnten signifikante Auswirkungen auf die Optimierung haben, insbesondere auf die Schätzungen der Parameter und die Identifizierung der erzwungenen Oszillationen. Wenn die Standardabweichungen des Rauschens in den Daten variieren, kann dies zu Verzerrungen in den Schätzungen führen und die Genauigkeit der Lokalisierung und Identifizierung der erzwungenen Oszillationen beeinträchtigen. In der Optimierung könnte dies zu einer Verzerrung der Kostenfunktion führen, da die Gewichtung der verschiedenen Beobachtungen nicht korrekt erfolgt. Daher wäre es wichtig, Methoden zu implementieren, die die Heterogenität der Standardabweichungen berücksichtigen, um genaue und zuverlässige Schätzungen zu gewährleisten.