Adaptive control of converters dominated distribution network based on digital twins
With the increasing feed-in and distribution of renewable energies in the power system, the number of converters is growing. This can lead to the destabilization of the system due to several factors, one of which is the controller parameter of the converter. This requires parameterization and optimization of the mentioned parameters. The presented work is devoted to the main research question of how the stability of a converter-dominated distribution grid is improved for varying operating points by the dynamic adaptive control method. To carry out the parameterization of the controllers, the Reinforcement Learning (RL) agent for adaptively creating proper controller parameters according to the system states to improve and ensure stability is proposed. In this work, a digital twin (DT) of the studied network is first constructed with the help of parameter estimation. The DT model is utilized to generate training data for an artificial-neural-network-based state estimator, which is dedicated to arcuately and efficiently determining the system's stable state. More-over, a small signal stability indicator (SI) using the damping ratio of the dominant eigen-value for the DT model is developed. With the SI indicating to the RL agent the system stability margin during the RL training, the agent can ultimately output optimal controller parameters for the converters. Numerical case studies are used to verify the viability of the proposed approach that network stability can be improved by the proposed adaptive control method.
Mit der zunehmenden Einspeisung und Verteilung von erneuerbaren Energien im Strom-netz wächst die Anzahl der Stromrichter (SR). Dies kann zu einer Destabilisierung des Systems aufgrund mehrerer Faktoren führen, von denen einer auf die Reglerparameter der Stromrichter zurückzuführen ist. Es erfordert eine Parametrierung und Optimierung der genannten Parameter. Die vorliegende Arbeit widmet sich der zentralen Forschungsfrage, wie die Stabilität eines Stromrichter-dominierten Verteilnetzes bei variierenden Betriebs-punkten durch das dynamisch adaptive Regelverfahren verbessert werden kann. Für die Parametrierung der Regler wird ein Reinforcement Learning (RL)-Agent vorgeschlagen, der adaptiv geeignete Reglerparameter in Abhängigkeit von den Systemzuständen erzeugt, um die Stabilität zu gewährleisten und zu verbessern. In dieser Arbeit wird zunächst ein digitaler Zwilling (DZ) des untersuchten Netzes mit Hilfe von Parameterschätzungen konstruiert. Das DZ-Modell wird verwendet, um Trainingsdaten für einen auf einem künstlichen neuronalen Netz (KNN) basierenden Zustandsschätzer zu erzeugen, der den stabilen Zustand des Systems präzise und effizient bestimmen soll. Darüber hinaus wird ein Klein-signal-Stabilitätsindikator (SI) unter Verwendung des Dämpfungsgrades des dominanten Eigenwerts für das DZ-Modell entwickelt. Da der SI dem RL-Agenten die Systemstabilitätsreserve während des RL-Trainings anzeigt, ist der Agent letztendlich in der Lage, opti-male Reglerparameter für die Stromrichters auszugeben. Mittels numerischer Fallstudien wird die Funktionsfähigkeit des vorgeschlagenen Ansatzes verifiziert, dass die Netzstabilität durch die vorgeschlagene adaptive Kontrollmethode verbessert werden kann
Vorschau
Zitieren
Rechte
Nutzung und Vervielfältigung:
