Kernel-based Koopman approximants for control: Flexible sampling, error analysis, and stability
Faculty of Mathematics, Chemnitz University of Technology(化学nitz工业大学数学学院)
本文提出一种基于核的kEDMD新方案近似非线性控制系统,通过正则化与微宏网格实现灵活采样,并证明误差界与平衡点距离成比例,进而建立数据驱动与原始系统间渐近稳定性的等价关系。
2025-10-17 cs.SY eess.SY math.OC
Data-driven Emergency Frequency Control for Multi-Infeed Hybrid AC-DC System
随着大规模复杂交直流混合电网的不断发展,电网对直流输电系统的快速调节能力提出了更高的要求,以提供频率调节服务。本文提出了一种完全数据驱动的线性二次型调节器(LQR),为HVDC提供时间频率支持。主要的技术挑战是多馈入混合AC-DC(MIDC)系统动态的复杂性和非线性,使得LQR难以处理。基于Koopman算子(KO)理论,提出了一种Koopman特征对构造方法来拟合MIDC系统的全局线性动力学模型。一旦离线获得不受控系统动态的全局线性表示,则控制项由所识别的特征函数的梯度和控制矩阵$\mathbf{B}$构成。在$\mathbf{B}$未知的情况下,我们提出了一种方法来识别它的基础上验证Koopman特征函数。在LCC-HVDC系统中,有功功率参考以移动时域的方式在线优化,以提供频率支持,仅使用本地频率和传输功率测量。所提出的控制方法对逼近误差的线性表示在特征函数坐标的鲁棒性进行了分析。仿真结果表明了所提出的紧急控制策略的有效性、鲁棒性和适应性。
2022-12-02 cs.SY eess.SY
Resilient Voltage Estimation for Battery Packs Using Self-Learning Koopman Operator
Texas Tech University(德克萨斯理工大学)
本文提出一种基于自学习Koopman算子的两阶段误差校正方案,用于在传感器攻击下实现大容量电池组的高精度实时电压估计。
2026-08-18 cs.SY eess.SY
Isolating Signatures of Cyberattacks under Stressed Grid Conditions
针对电网承压时攻击难辨的问题,提出基于 Koopman 模式分解的在线识别与可视化框架,并在 IEEE 68-bus 系统验证。
2024-08-04 cs.SY eess.SY math.DS
Decentralized Analysis Approach for Oscillation Damping in Grid-Forming and Grid-Following Heterogeneous Power Systems
本文提出了一种去中心化的局部增益条件,用于实现异构电力系统中逆变器主导系统的振荡阻尼,同时提供低复杂度的参数调节方法。
2026-01-29 cs.SY eess.SY
Decentralized Stability of IBR-dominated Power Grids Using Block Diagonal Dominance
University of Bath(巴斯大学);Imperial College London(帝国理工学院)
针对逆变器主导电网,提出基于块对角占优的分散小信号稳定性判据,比严格对角占优更宽松,确保最小衰减率,无需限制网络或逆变器模型。
2026-06-29 cs.SY eess.SY
Principal component trajectories for modeling spectrally-continuous dynamics as forced linear systems
延迟嵌入的时间序列数据已经成为一个有前途的坐标基础的数据驱动估计的Koopman运营商,寻求一个线性表示所观察到的非线性动态。最近的工作已经证明了动态模式分解(DMD)获得有限维Koopman近似延迟坐标的功效。在本文中,我们演示了如何稀疏傅立叶谱的非线性动力学可以(i)表示的叠加主成分轨迹(PCT)和(ii)在这个坐标空间中的DMD建模。对于连续或混合(离散和连续)光谱,DMD可以用外部强迫项来增强。我们提出了一种方法,学习线性控制模型的延迟坐标,同时发现相应的外源强迫信号在一个完全无监督的方式。这扩展了现有的DMD与控制(DMD c)算法的情况下,控制信号是未知的先验。我们提供的例子来验证学习强迫对一个已知的地面真相,并说明他们的统计相似性。最后,我们提供了一个示范,这种方法适用于现实世界的电网负荷数据,以显示其实用程序的诊断和解释系统中,有些周期性的行为是强烈迫使未知和不可测量的环境变量。
2022-01-12 cs.SY eess.SY physics.comp-ph
Mixed Algorithm of SINDy and HAVOK for Measure-Based Analysis of Power System with Inverter-based Resources
本文提出一种结合SINDy与HAVOK的混合算法,用于检测电力系统中的非线性动力学,并能区分逆变器资源与同步发电机引起的非线性,支持含可再生能源的电网运行分析。
2024-03-14 cs.SY eess.SY
Localization of Coordinated Cyber-Physical Attacks in Power Grids Using Moving Target Defense and Deep Learning
作为针对电网的最复杂的攻击之一,协同网络物理攻击(CCPA)破坏电网的物理基础设施,并使用同步网络攻击来掩盖其影响。这项工作提出了一种新的方法来检测这种攻击,并确定线路中断的位置(由于物理攻击)。拟议的办法包括三个部分。首先,移动目标防御(MTD)被应用到暴露的物理攻击,通过分布式柔性交流输电系统(D-FACTS)设备主动扰动输电线路电抗。MTD使攻击者掩盖其物理攻击所需的知识无效。其次,卷积神经网络(CNN)应用于定位线路停电位置从妥协的测量。最后,使用模型不可知元学习(MAML)来加速CNN在拓扑重新配置(由于MTD)之后的训练速度,并减少数据/再训练时间要求。使用IEEE测试系统进行模拟。实验结果表明,该方法可以有效地定位线路停电隐身CCPA。
2022-07-25 cs.SY eess.SY
Coordinated Day-ahead Dispatch of Multiple Power Distribution Grids hosting Stochastic Resources: An ADMM-based Framework
本文提出了一个优化框架,以聚合在互联配电系统的功率和能量的灵活性。聚合框架用于计算在不同电压水平下运行的多个和互连的配电网的日前调度计划。具体而言,所提出的框架优化调度计划的上游中压(MV)电网占下游低压(LV)电网提供的灵活性和知识的随机资源的不确定性。该框架考虑网格,即,使用线性化电网模型的节点电压、线路和Transformer容量的操作限制,以及可控资源的约束。调度问题被制定为一个随机优化方案,考虑随机发电和需求的不确定性和上游电网施加的电压。该问题是解决的分布式优化方法依赖于交替方向乘法(ADMM),分裂成一个聚合器的问题(解决在MV-网格级别)和几个本地问题(解决在MV连接的可用资源和LV-网格级别)的主要问题。分布式优化的使用实现了分散式调度计算,其中集中式聚合器对参与资源和下游网格的参数/模型是不可知的。该框架验证互连CIGRE中,低压网络托管异构随机和可控资源。
2022-04-13 cs.SY eess.SY
Gershgorin Disc-based Voltage Stability Regions for DER Siting and Control in Distribution Grids
随着向分布式和可再生能源系统的过渡,一些配电系统运营商越来越关注电能质量,包括稳态电压波动。在本文中,我们研究了控制的有效和无功功率注入逆变器为基础的分布式能源,以调节电压幅值和相位角测量的传感器定位在3相不平衡的配电网。我们提出的控制器是不可知的位置和类型的通信支持能源业务。为了设计控制器,我们应用Gershgorin圆盘定理,并确定可再生能源的运行参数和电网阻抗的解析稳定区域。可再生能源系统选址和电压相量收敛到参考电压之间的稳定区域产生直接关系。除了定义稳定区域外,我们还计算可再生能源系统的稳定运行参数范围,通过纳入客户经济学来提高运营灵活性。通过对IEEE 123节点测试电路的案例研究,我们观察到我们的协调可再生能源系统的方法实现了非振荡电压调节,并将电压违规的持续时间减少了26%。
2022-12-12 cs.SY eess.SY
Greening the Grid: Electricity Market Clearing with Consumer-Based Carbon Cost
本研究提出一种纳入消费者侧碳成本的新型电力市场出清模型,将发电碳排放责任分配内生化,让不同碳敏感度的消费者可主动参与减排,并通过案例验证了不同碳敏感消费者占比及碳成本对市场出清的影响。
2025-01-16 cs.SY eess.SY
Agentic Workflows for Resolving Conflict Over Shared Resources: A Power Grid Application
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出一种协调多个代理的冲突解决框架,通过双边谈判、结构化调解和程序性(确定性)冲突解决模式,解决共享资源上的冲突,并在电力分配场景中验证了其性能。
2026-09-28 cs.SY eess.SY
Data-Driven Post-Event Analysis with Real-World Oscillation Data from Denmark
University of Bath(巴斯大学);Imperial College London(帝国理工学院)
本文提出基于EDMD的电力系统振荡事后分析方法,利用现实世界数据识别主要振荡源并辅助针对性抑制。
2025-11-26 cs.SY eess.SY
State and Action Factorization in Power Grids
Politecnico di Milano(米兰理工大学)
本文提出一种数据驱动、与领域无关的状态-动作相关性分解算法,用于构建独立子问题,并在 Grid2op 电网基准上验证其与专家分析一致,为分布式强化学习改进电网调度奠定基础。
2024-09-03 cs.LG cs.SY eess.SY
Quantum Computing in Next-Gen Smart Grid Operations: A Comprehensive Review
Penn State Harrisburg(宾夕法尼亚州立大学哈里斯堡分校)
本文系统评述量子计算在智能电网运行中的应用,涵盖关键技术、算法、硬件及挑战,为下一代电网优化与控制提供综合视角。
2026-09-17 cs.SY eess.SY
Review of Core Process Representation in Power System Operational Models: Gaps, Challenges, and Opportunities for Multisector Dynamics Research
电网运营越来越多地与环境系统和人类系统(如交通、农业、经济和金融市场)相互作用。我们的目标是讨论建模的差距和机会,以推进多部门适应和权衡的科学。我们专注于电力系统运行模型,这些模型通常代表电网运行的关键物理和经济方面,并假设电网基础设施是固定的。由于计算负担,模型通常是定制的,以反映区域资源机会,数据可用性和感兴趣的应用。虽然有模型相互比较的文件,但没有模型不可知的表征和系统的概述,最先进的过程表示在操作电力系统模型。为了解决我们的目标,我们概念化的电力系统运行模型的四个核心过程:物理网格资产(发电,输电,负荷和存储),模型的目标和目的,机构和决策代理,和性能指标。我们对这些核心流程的表示进行分类,基于对23个现有开源和商业模型的审查。由于我们承认某些表示的计算负担,我们利用这种分类来描述过程保真度和易处理性的权衡,这些权衡已被研究界采用,以解决电网和水文气象不确定性,全球变化和/或技术创新之间的相互作用。核心过程分类以及现有的计算权衡用于识别技术差距,并建议未来的模型开发需求和研究方向,以更好地代表电网运营的一部分,集成多部门动态建模和跨学科研究。
2021-01-06 cs.SY eess.SY
Communication Network-Aware Missing Data Recovery for Enhanced Distribution Grid Visibility
Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校);New York University(纽约大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Dartmouth College(达特茅斯学院)
本文提出一种通信感知框架,通过整合路由约束与低秩矩阵补全,提升配电网在通信故障下的数据恢复精度。
2026-03-07 cs.SY eess.SY
Dissipativity Conditions for Maximum Dynamic Loadability
针对IBR间快速电磁振荡限制电网送电能力的问题,本文提出基于统一功率变量的耗散性条件,并利用高开关频率无功源提升最大动态负荷承载能力。
2024-05-08 cs.SY eess.SY
Grid-Orch: An LLM-Powered Orchestrator for Distribution Grid Simulation and Analytics
Electrification and Energy Infrastructures Division, Oak Ridge National Laboratory(电力化与能源基础设施部门,橡树岭国家实验室);UT-Battelle, LLC(UT-巴托尔实验室)
Grid-Orch通过Model Context Protocol将大语言模型与电力系统仿真结合,提供36个领域工具,支持自然语言进行复杂分析,提升配电系统研究效率。
2026-09-28 cs.AI cs.SE cs.SY
Data-driven Model Predictive Control Method for DFIG-based Wind Farm to Provide Primary Frequency Regulation Service
随着风电渗透率的增加,新发布的电网规范要求风电场提供频率调节服务。由于风电场本质上是非线性的,并且有大量的参数需要频繁维护,因此如何建立风电场的动态模型进行动态控制是最关键的挑战。提出了一种数据驱动的模型预测控制(data-driven MPC)方法,使风电场参与一次调频。在该方法中,基于Koopman算子理论,提出了一种专门的动态模态分解(SDMD)算法,该算法能够线性地近似风电场的动态特性,与现有的扩展动态模态分解(EDMD)方法相比,该算法具有两个优点:1)能够在较宽的工况范围内准确地捕捉风电机组动态特性的非线性瞬态过程; 2)模型降维后计算量小。基于递归更新的线性动态模型,实现了模型预测控制解决方案。仿真结果表明,该无模型方法能够动态优化风电机组的有功功率,跟踪系统运行商的频率响应要求,并使转速畸变最小。
2020-12-07 cs.SY eess.SY
A New Index for Quantifying Stability Adaptation Effort in Power Electronics-Dominated Power Systems Based on Frequency-Domain Impedance Identification
Red Eléctrica – Redeia(西班牙电网公司 - Redeia);CITCEA – UPC(加泰罗尼亚理工大学电气与计算机工程研究中心)
本文提出适应努力指数(AEI),结合频域奈奎斯特稳定裕度与模态灵敏度,量化换流器恢复稳定性所需调整努力,并证明跟网型换流器适应成本更低。
2026-10-05 cs.SY eess.SY
Game-Theoretic Reinforcement Learning based Topology-Agnostic Defense for Virtual Power Plants
Argonne National Laboratory(阿贡国家实验室)
针对虚拟电厂(VPP)面临的网络安全风险,提出融合博弈论规划与强化学习的拓扑无关防御方法,通过多输出高斯过程等技术实现有效检测,无需馈线拓扑知识,为VPP网络安全提供新方向。
2026-10-14 cs.LG cs.SY eess.SY
Tracking Target Signal Strengths on a Grid using Sparsity
University of Minnesota(明尼苏达大学);Delft University of Technology(代尔夫特理工大学);Michigan Tech University(密歇根理工大学)
提出一种基于网格的线性状态和测量模型,通过稀疏感知卡尔曼滤波实现多目标跟踪,避免数据关联并降低复杂度。
2011-04-28 cs.SY eess.SY math.OC
Data-driven functional state estimation of complex networks
Beijing Institute of Technology(北京理工大学);Peking University(北京大学)
本文提出了一种数据驱动的方法,用于估计复杂网络中目标状态变量,无需模型参数,适用于不可观测系统,并展示了其在多个应用中的有效性。
2025-12-07 cs.SY eess.SY
Decision-Focused Learning for Optimal Battery Scheduling Under Load and Photovoltaic Power Uncertainty in Microgrids
Politecnico di Milano(米兰理工大学);Polytechnique Montréal, GERAD & Mila(蒙特利尔高等商学院、GERAD与Mila)
本研究针对微电网负荷与光伏功率不确定性问题,提出决策聚焦学习(DFL)框架训练预测器,可降低运行成本、消除负荷削减,证实预测精度与决策质量无单调关系。
2026-10-14 cs.SY eess.SY
Physics-Aware Neural Networks for Distribution System State Estimation
University of Virginia(弗吉尼亚大学)
本文提出了一种利用配电电网结构的新型学习模型,通过利用状态估计问题的分离性来减少参数化映射所需的系数数量,从而防止过拟合并降低训练复杂度,同时提出了一种贪心算法用于相量测量单元的放置,以最小化实现状态估计映射所需的神经网络复杂度。
2019-07-12 cs.SY eess.SY math.OC