Conditions for Regional Frequency Stability in Power System Scheduling -- Part I: Theory
本文考虑了最近在某些电力系统中观察到的不同区域频率的现象。首先,一个降阶的数学模型描述这种行为的开发。然后,技术来解决该模型进行了讨论,证明在任何给定的区域的故障后的频率演变是等于惯性中心的频率演变加上某些区域间的振荡。这一发现导致推导的条件,保证在电力系统的所有区域的频率稳定性,推导使用混合的分析-数值方法,结合数学分析与回归方法对模拟样本进行。建议的稳定性条件是线性不等式,可以在任何优化程序中实现,允许共同优化所有现有的辅助服务的频率支持:惯性,多速频率响应,负载阻尼和优化的最大功率馈入。这是第一个报告的数学框架与明确的条件,以保持电力系统的频率稳定性,表现出区域间的频率振荡。
2021-04-11 cs.SY eess.SY math.OC
Conditions for Regional Frequency Stability in Power System Scheduling -- Part II: Application to Unit Commitment
在本文的第一部分中,我们介绍了保证电力系统区域频率稳定的封闭形式条件。在这里,我们提出了一种方法来表示这些条件的线性约束的形式,并证明其适用性,通过实施它们的发电调度模型。该模型同时优化能源生产和辅助服务,以保持频率稳定的情况下,发电中断,通过解决频率安全的随机机组组合(SUC)。我们认为英国的系统,其特点是两个地区,创造一个非均匀分布的惯性:英格兰在南部,其中大部分的负载位于,苏格兰在北部,包含显着的风力资源。通过几个案例研究,它表明,惯性和频率响应不能被认为是在电力系统中,表现出区域间的振荡频率的系统范围内的幅度,因为它们的位置在一个特定的区域是关键,以保证稳定性。此外,防止低惯性区域的中等损失证明会导致显着的弃风,这可以通过加强输电走廊来缓解。在这方面,拟议的制约因素有助于找到每个区域拟采购的辅助服务的最佳数量。
2021-04-11 cs.SY eess.SY math.OC
Luré-Postnikov Stability Analysis of Closed-Loop Control Systems with Gated Recurrent Neural Network-based Virtual Sensors
本文提出LP-GRNN架构以解决基于GRU/LSTM的虚拟传感器在闭环控制系统中的稳定性问题,通过统一非线性算子形式将稳定性分析转化为可处理的线性矩阵不等式。
2025-12-05 cs.SY eess.SY
Transient frequency control with regional cooperation for power networks
University of California, San Diego(加州大学圣地亚哥分校)
本文提出集中与分布式次优控制策略,用于维持电力网络中各节点的暂态频率在安全区域,并保持网络渐近稳定。通过滚动时域优化方法,结合凸化技术,实现分布式控制方案。
2018-09-15 cs.SY eess.SY
An incremental input-to-state stability condition for a generic class of recurrent neural networks
本文针对一类通用递归神经网络提出保守性更低的增量输入-状态稳定性充分条件,可用于相关控制系统设计等,且通过参考非线性系统仿真验证了理论结果。
2023-11-07 cs.SY eess.SY
On the stability properties of Gated Recurrent Units neural networks
Politecnico di Milano(米兰理工大学)
给出了保证GRU神经网络输入到状态稳定性(ISS)和增量输入到状态稳定性(δISS)的充分条件.这些条件是针对单层和多层结构设计的,由网络权重的非线性不等式组成。它们可以用来检查训练网络的稳定性,或者可以在GRU的训练过程中作为约束来实施。在四容水箱非线性基准系统上对训练过程进行了测试,显示出令人满意的建模性能。
2021-10-10 cs.LG cs.SY eess.SY
Observability-Blocking Control using Sparser and Regional Feedback for Network Synchronization Processes
研究了反馈控制系统的设计问题,即在网络同步模型中,使动态特性在网络节点的一个子集上的测量值不可观测。首先,提出了一种通用的设计算法,通过在$m+2$指定的驱动节点应用状态反馈控制,在任何指定的$m$节点组的阻塞可观性。该算法是基于一种方法的特征结构分配,它允许手术修改特定的特征向量,以阻止可观性,同时保留其余的开环特征结构。接下来,利用网络的拓扑结构,以减少阻塞可观性所需的控制器的数量,其结果是基于阻塞可观性与分离的驱动和测量位置的顶点割集相关联的节点上。此外,设计修改,以包括区域反馈控制,它只使用数据从一个子集的可访问节点。区域反馈设计不保持开环特征结构,但可以通过时标参数保证保持稳定性。最后用数值例子说明了结果。
2021-09-10 cs.SY eess.SY
Residual Learning-Based Control of Vehicle Platoons with $\ell_2$ Stability Guarantees via Recurrent Equilibrium Networks
Concordia University(康考迪亚大学);Université Polytechnique Hauts-de-France(上法兰西理工大学);INSA Hauts-de-France(法国国立应用科学学院上法兰西分校)
本文提出一种残差学习控制框架,利用循环均衡网络增强标称控制器,在保证 $\ell_2$ 稳定性的同时,减少异构车辆队列的间距和速度误差。
2026-09-29 cs.RO cs.SY eess.SY
Robust Recurrent Neural Network to Identify Ship Motion in Open Water with Performance Guarantees -- Technical Report
Institute for Parallel and Distributed Systems(并行与分布式系统研究所);University of Stuttgart(斯图加特大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Stuttgart Center for Simulation Science(斯图加特模拟科学中心);University of Southampton(南安普顿大学);Electronics and Computer Science(电子与计算机科学学院)
递归神经网络能够纯粹从输入-输出测量学习未知非线性系统的动态。然而,由此产生的模型不提供任何稳定性保证的输入-输出映射。在这项工作中,我们表示为一个线性时不变系统的非线性干扰的循环神经网络。通过对参数的约束,我们可以保证有限增益稳定性和增量有限增益稳定性。我们应用这种识别方法来学习在开放水域中移动的四自由度船舶的运动,并将其与其他纯粹基于学习的方法进行比较。我们的分析表明,约束循环神经网络在测试集上的预测精度较低,但在分布外集上达到了相当的结果,并尊重稳定性条件。
2022-12-16 cs.LG cs.SY eess.SY
Recurrent Neural Network Controllers Synthesis with Stability Guarantees for Partially Observed Systems
University of California, Berkeley(加州大学伯克利分校);University of Michigan(密歇根大学);Virginia Tech(弗吉尼亚理工大学)
神经网络控制器由于其灵活性和表现力而在控制任务中变得流行。稳定性是安全关键动力系统的一个重要特性,而部分观测系统的稳定性,在许多情况下,需要控制器保持和处理过去的长期记忆。将一类重要的递归神经网络(RNN)作为非线性不确定部分可观测系统的动态控制器,基于积分二次约束、S引理和序列凸化方法,推导出凸稳定性条件.为了确保在学习和控制过程中的稳定性,我们提出了一个投影的政策梯度方法,迭代地执行的稳定性条件,在重新参数化的空间,利用温和的额外信息系统动态。数值实验表明,我们的方法学习稳定控制器,而使用更少的样本,并取得更高的最终性能相比,政策梯度。
2021-12-07 cs.AI cs.RO cs.SY
Stability and Performance Analysis of Discrete-Time ReLU Recurrent Neural Networks
University of Michigan(密歇根大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
该研究结合Lyapunov/耗散性理论与重复ReLU的二次约束,推导离散时间ReLU循环神经网络稳定性及ℓ₂增益性能的充分条件,验证了条件有效性并分析了提升步长的影响。
2024-05-14 cs.LG cs.SY eess.SY
A Dynamic Recurrent Adjacency Memory Network for Mixed-Generation Power System Stability Forecasting
King Abdullah University of Science and Technology(国王阿卜杜勒·阿齐兹大学科学与技术)
针对高渗透率逆变器型资源电力系统复杂动态行为挑战传统稳定性评估方法的问题,提出动态递归邻接记忆网络(DRAMN),结合物理信息分析与深度学习,通过滑动窗口动态模式分解构建时变邻接矩阵并集成图卷积与递归门控,实现实时稳定性预测且性能优于现有基准。
2025-11-17 cs.LG cs.SY eess.SY
Recurrent Equilibrium Networks: Flexible Dynamic Models with Guaranteed Stability and Robustness
Australian Centre for Robotics(澳大利亚机器人中心);The University of Sydney(悉尼大学)
提出循环平衡网络(RENs),通过无约束参数化内置收缩稳定性、IQC、Lipschitz 与增量无源性保证,并在系统辨识、观测器和控制中验证其灵活建模能力。
2023-07-12 cs.LG cs.SY eess.SY
Contracting Implicit Recurrent Neural Networks: Stable Models with Improved Trainability
Australian Center for Field Robotics(澳大利亚现场机器人中心);Sydney Institute for Robotics and Intelligent Systems(悉尼机器人与智能系统研究所);The University of Sydney(悉尼大学)
递归模型的稳定性与可训练性、可推广性以及某些应用中的安全性密切相关。然而,训练稳定的循环神经网络的方法是以显著的可表达性为代价的。我们提出了一个隐式的模型结构,允许使用非线性系统的收缩分析的稳定模型的凸参数化。使用这些稳定性条件,我们提出了一种新的模型初始化方法,然后提供了一些经验结果,将我们提出的模型集的性能与以前的稳定RNN和vanilla RNN进行比较。通过仔细控制模型的稳定性,我们观察到训练速度和模型性能的显着提高。
2019-12-22 cs.LG cs.SY eess.SY
Physics-informed structured learning of a class of recurrent neural networks with guaranteed properties
Politecnico di Milano(米兰理工大学);Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato (STIIMA) - Consiglio Nazionale delle Ricerche (CNR)(意大利国家研究委员会先进制造智能工业系统与技术研究所)
本文提出了一种针对大规模和网络化系统的递归神经网络学习框架,通过凸优化问题学习具有结构和稳定性特性的控制模型。
2026-11-13 cs.SY eess.SY
A Novel Recurrent Adaptive Backstepping Optimal Control Strategy for a Single Inverted Pendulum System
针对单级倒立摆系统,研究了一种新的递推自适应反推最优控制策略。该方法采用基于投影递归神经网络的自适应反推控制(PRNN-ABC)实现倒立摆的镇定。倒立摆是一种广泛应用的非线性系统,由于其广泛的应用前景,被广泛应用于工业和学术领域。首先,基于系统的非线性动力学模型,研究了反推控制律。其次,通过考虑控制约束和性能指标,建立了约束优化问题的数学模型。随后,优化问题将被转换为约束二次问题(QP)。根据Karush-Kuhn-Tucker(KKT)优化条件和变分不等式,研究递归神经网络(RNN),导出RNN的动力学模型。最后,利用李雅普诺夫函数对系统的稳定性进行了分析。
2021-10-19 cs.SY eess.SY
Robust Auto-landing Control of an agile Regional Jet Using Fuzzy Q-learning
针对桁架支撑翼(TBW)支线喷气飞机稳定性差的问题,提出了一种基于模糊强化学习的鲁棒自动着陆控制方法。强化学习(RL)在控制系统中的实际应用最近激增。与许多在RL算法中实现深度学习以生成连续动作的研究相比,本研究的方法简单明了,并通过应用模糊规则避免了复杂的神经网络架构。一个创新的,敏捷的民用飞机选择不仅要满足未来航空界的期望,但也证明了所建议的方法的鲁棒性。为了创建多目标RL环境,首先开发了六自由度(6-DoF)仿真。通过将飞机的自动着陆问题转化为一个马尔可夫决策过程(MDP)问题,设计了一个低层模糊Q学习(FQL)控制器来解决该问题。更具体地说,众所周知的Q学习方法是一种离散的RL算法,它由模糊规则补充,以提供连续的动作,而不需要复杂的学习结构。在不同的飞行条件下,考虑严重的阵风,测量噪声,致动器故障,模型的不确定性,广泛的飞行模拟所提出的系统的性能进行评估。此外,控制器的有效性将与现有的竞争技术,如动态逆(DI)和Q学习。仿真结果表明,所提出的控制系统的优越性能,作为一个可靠的和鲁棒控制方法,在实际应用中。
2023-02-21 cs.SY eess.SY
A Convex Parameterization of Robust Recurrent Neural Networks
Australian Centre for Field Robotics(澳大利亚野外机器人中心);The University of Sydney(悉尼大学)
循环神经网络(RNN)是一类非线性动态系统,常用于序列到序列映射的建模。RNN具有出色的表达能力,但缺乏许多应用所需的稳定性或鲁棒性保证。在本文中,我们制定了具有稳定性和鲁棒性保证的RNN凸集。使用增量二次约束导出保证,并且可以确保所有解的全局指数稳定性,以及增量$ \ell_2 $增益(学习序列到序列映射的Lipschitz常数)的界限。使用隐式模型结构,我们构造了一个参数化的RNN,它在模型参数和稳定性证书中是联合凸的。我们证明了这个模型结构包括所有以前提出的稳定RNN的凸集作为特殊情况,也包括所有稳定的线性动力系统。我们说明了在非线性系统辨识的背景下,所提出的模型类的效用。
2020-10-03 cs.LG cs.SY eess.SY
Robust constrained nonlinear Model Predictive Control with Gated Recurrent Unit model -- Extended version
本研究提出一种基于门控循环单元网络模型的鲁棒约束非线性模型预测控制方法,通过约束收紧策略保障约束鲁棒满足与递归可行性,引入新终端代价和终端集实现闭环系统的输入-状态稳定性。
2023-12-19 cs.SY eess.SY
Data-Driven Sensor Fault Diagnosis with Proven Guarantees using Incrementally Stable Recurrent Neural Networks
本文利用鲁棒循环神经网络(R-RENs)的增量稳定性,提出了一种无需标注数据的数据驱动传感器故障检测与隔离方法,并通过车辆模型仿真验证了其有效性和实际适用性。
2025-04-28 cs.SY eess.SY
Recurrent Neural Network-based Internal Model Control design for stable nonlinear systems
Politecnico di Milano(米兰理工大学)
由于其优越的建模能力,门控递归神经网络,如门控递归单元(GRU)和长短期记忆网络(LSTM),已成为流行的工具,学习动态系统。本文旨在讨论如何将这些网络用于内模控制(IMC)体系结构的综合。为此,首先使用门控递归网络来学习未知输入输出稳定对象的模型。然后,一个控制器选通递归网络被训练来逼近模型逆。这些网络的稳定性,通过适当的训练过程,确保允许保证输入输出闭环稳定性。所提出的方案能够应对控制变量的饱和,并且可以部署在低功耗嵌入式控制器上,因为它需要有限的在线计算。然后,该方法进行了测试的四槽基准系统和替代控制律相比,在显着的闭环性能。
2022-03-17 cs.LG cs.SY eess.SY
Decentralized Frequency-Domain Conditions for D-Stability with Application to DC Microgrids
Tsinghua University(清华大学)
本文提出了一种去中心化方法,用于线性化网络化系统中的区域极点放置,即D稳定性。通过将目标区域映射到辅助左半平面并引入正函数,解决了通信基础设施缺失和子系统模型保密性的问题,该方法适用于直流微电网,通过环形变换分配稳定性认证负担,推导出可广播的电网代码。
2026-05-13 cs.SY eess.SY
Improved Sum-of-Squares Stability Verification of Neural-Network-Based Controllers
本文改进了基于半代数集和凸半定规划的神经网络控制系统闭环稳定性验证框架,通过引入新激活函数兼容RENs和RNNs,提出替代证明及两个简化局部稳定性和吸引域分析的新优化问题,并在数值示例中验证了有效性。
2025-07-14 cs.SY eess.SY
On the Stability and Realizability of Recurrent Polynomial Surrogate Ternary Logic Gate Networks
University of Maryland, College Park, USA(马里兰大学学院公园分校)
提出R-DTLGN架构,通过连续多项式代理训练并硬化为离散三元逻辑电路,结合数值单调和信息单调门,实现STL监控中的稳定递归和原则性弃权,并由STL公式确定网络规模。
2026-05-23 cs.AI cs.LG cs.LO
Equilibrium-Free Contraction Stability Analysis for Grid-Forming Converter-Based Microgrids
本文提出了一种基于半收缩理论的无均衡收缩稳定性方法,用于分析由电网形成(GFM)逆变器主导的可再生能源微电网在持续功率波动下的稳定性,通过构建对称感知的投影状态空间消除内在旋转模式,并利用块状雅可比分解来表征有功和无功功率动态,从而得到可计算的区域收缩条件,进一步转换为前向不变稳定性证书,为轨迹级性能提供保障。
2026-05-21 cs.SY eess.SY
Recurrent Graph Transformer Network for Multiple Fault Localization in Naval Shipboard Systems
针对海军12kV MVDC舰载系统多故障检测难题,提出融合门控循环单元与时序多头注意力的循环图Transformer网络,在ESDRC测试系统上故障定位精度较传统方法提升1-4%。
2024-09-16 cs.SY eess.SY
Long-Term Recurrent Convolutional Network-based Inertia Estimation using Ambient Measurements
传统的同步电机逐渐被基于变流器的可再生资源所取代。因此,同步转动惯量作为一个重要的时变量,对现代电力系统的稳定性有着重要的影响。随着可再生能源的日益集成,传统电力系统的动态特性发生了变化,因此,利用数学模型估计系统惯性变得更加困难。在本文中,我们提出了一种新的学习辅助惯性估计模型的基础上,长期递归卷积网络(LRCN),使用系统的频率和相电压测量。所提出的方法使用非侵入式探测信号扰动系统和收集环境测量与相量测量单元(PMU)训练建议LRCN模型。在IEEE 24节点系统上进行了案例研究。在信噪比为60dB的条件下,基于LRCN的惯性估计模型的估计精度为97.56%,均方误差为0.0552。此外,在45dB的低信噪比下,所提出的学习辅助惯性估计模型仍然能够达到93.07%的高精度。
2021-12-02 cs.SY eess.SY
Chaos-Free Networks are Stable Recurrent Neural Networks
University of Bergamo(贝加莫大学)
本文研究了无混沌网络的系统特性,证明其满足输入到状态稳定性,但指出其不保证增量稳定性,提出解耦门网络以实现无条件增量稳定性。
2026-06-08 cs.SY eess.SY math.OC
Stability properties of Minimal Gated Unit neural networks
University of Bergamo(贝加莫大学)
针对资源受限环境,分析最小门控单元网络的输入-状态稳定性,导出充分参数条件,提出稳定性促进训练方法,在合成数据和Silverbox基准上验证其参数效率与推理速度优势。
2026-06-12 cs.SY eess.SY math.OC
Synthesis of Stabilizing Recurrent Equilibrium Network Controllers
University of California, Berkeley(加州大学伯克利分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
该研究提出基于递归平衡网络的非线性动态控制器参数化方法,推导保证部分观测扇区有界非线性系统指数稳定的参数约束,采用含凸优化投影的策略梯度综合控制器,经非线性对象仿真验证有效。
2022-09-13 cs.AI cs.RO cs.SY
On Recurrent Neural Networks for learning-based control: recent results and ideas for future developments
Politecnico di Milano(米兰理工大学)
本文旨在讨论和分析递归神经网络(RNN)在控制设计应用中的潜力。考虑了RNN的主要家族,即神经非线性自回归外生(NNARX),回声状态网络(ESN),长短期记忆(LSTM)和门控递归单元(GRU)。目标是双重的。首先,调查最近关于RNN训练的结果,这些RNN具有输入到状态稳定性(ISS)和增量输入到状态稳定性($δ$ ISS)保证。其次,讨论仍然阻碍RNN广泛用于控制的问题,即它们的鲁棒性,可验证性和可解释性。前一个属性与网络的所谓泛化能力有关,即它们与底层真实植物的一致性,即使存在看不见的或扰动的输入轨迹。相反,后者与在RNN模型和工厂之间提供明确的正式连接的可能性有关。在这种情况下,我们说明了ISS和$δ$ ISS是如何代表RNN模型的鲁棒性和可验证性的重要一步,而可解释性的要求为使用基于物理的网络铺平了道路。文中还简要讨论了以RNN为对象模型的模型预测控制器的设计。最后,本文的一些主要议题说明了一个模拟的化学系统。
2022-05-10 cs.LG cs.SY eess.SY
On annular short-time stability conditions for generalized Persidskii systems
针对含本质有界输入的广义 Persidskii 系统,提出基于线性矩阵不等式的环形短时稳定性等条件,并通过递归神经网络验证其实用性。
2023-08-17 cs.SY eess.SY math.DS
Learning infinite context windows in recurrent architectures via spatial neural computing
UC San Diego(加州大学圣地亚哥分校);Northwestern University(西北大学);Massachusetts Institute of Technology(麻省理工学院)
该研究提出基于空间神经计算的二阶循环模型,将其等价为结构化无限阶RNN,通过约束梯度谱消除梯度问题,在长时序基准上性能优于其他循环模型且参数更少。
2026-10-09 cs.LG cs.SY eess.SY