找到 2 条结果 · IEEE Transactions on Power Systems
面向物理的神经网络用于在线动态安全评估
Physics-following Neural Network for Online Dynamic Security Assessment
Chao Shen · Ke Zuo · Mingyang Sun · IEEE Transactions on Power Systems · 2025年4月
数据驱动的动态安全评估（DSA）已成为应对可再生能源与电力电子设备快速接入带来安全挑战的有力工具。近期，融合微分方程描述物理规律的物理信息神经网络（PINN）被引入DSA，但仍面临代数偏差、收敛错误及训练非凸性等难题。为此，本文提出一种新型面向物理的神经网络（PFNN），通过估计故障后状态响应实现DSA。设计双阶段训练策略：第一阶段采用监督参数空间缩减以提升可优化性；第二阶段引入动力学引导的局部学习，结合经验损失与源自动态模型的物理正则项，解决代数偏差并确保正确收敛。在WSCC 3机9节点、新英...
解读: 该物理引导神经网络技术对阳光电源储能与新能源并网产品具有重要应用价值。在PowerTitan大型储能系统中，可实现故障后动态响应的快速预测与安全评估，提升电网支撑能力；结合ST系列储能变流器的构网型GFM控制，通过动力学模型正则化训练，可优化虚拟同步机参数整定，增强暂态稳定性。在SG系列光伏逆变器的...
AdapSafe2：无先验安全认证的强化学习在多区域频率控制中的应用
AdapSafe2: Prior-Free Safe-Certified Reinforcement Learning for Multi-Area Frequency Control
Xu Wan · Mingyang Sun · IEEE Transactions on Power Systems · 2024年10月
高比例可再生能源接入下，安全强化学习（RL）被广泛用于电力系统频率控制。然而，现有方法在非稳态环境适应与高维时变安全约束满足方面仍面临挑战。本文提出AdapSafe2，一种无需先验知识且具备安全保证的多区域频率控制方法。通过元环境学习算法自适应追踪系统参数变化，并构建元强化学习框架实现无模型自适应控制；设计基于控制屏障函数的安全评判网络与安全补偿器，动态识别并仅对高风险区域进行补偿，提升高维约束下的求解效率。在2区与3区低惯量系统中的仿真验证了该方法在动态安全约束下的优越性能。
解读: 该无先验安全强化学习技术对阳光电源PowerTitan储能系统和ST系列储能变流器的频率调节功能具有重要应用价值。AdapSafe2的元学习自适应框架可增强储能系统在高比例新能源场景下的动态响应能力，其控制屏障函数安全机制能确保储能系统在SOC、功率等多维约束下的安全运行。该技术可与阳光电源现有的V...