Inclusion of Frequency Nadir constraint in the Unit Commitment Problem of Small Power Systems Using Machine Learning

Abstract

Dado que se pretende reducir la cantidad de generación térmica y aumentar la cuota de energía limpia, los sistemas eléctricos son cada vez más susceptibles de sufrir inestabilidad de frecuencia tras las interrupciones debido a la reducción de los niveles de inercia. Para hacer frente a este problema se están incluyendo restricciones de frecuencia en el proceso de programación, que garantizan una desviación de frecuencia tolerable en caso de cualquier contingencia. En este trabajo se propone un método para integrar la restricción no lineal de frecuencia nadir en el problema de compromiso de unidades, utilizando el aprendizaje automático. En primer lugar, se genera un conjunto de datos de entrenamiento sintético. A continuación, se proponen dos de los métodos clásicos de aprendizaje automático disponibles, a saber, la regresión logística y la máquina de vectores de apoyo, para predecir el nadir de frecuencia. Para poder comparar los métodos de aprendizaje automático con los enfoques tradicionales de compromiso unitario con restricciones de frecuencia, se realizan simulaciones en el sistema eléctrico de la isla de La Palma para ambos métodos propuestos, así como una formulación analítica linealizada del nadir de frecuencia. Nuestros resultados muestran que el problema de compromiso de unidades con una restricción de nadir de frecuencia basada en el aprendizaje automático se resuelve considerablemente más rápido que con la formulación analítica, a la vez que se consigue una calidad de respuesta de frecuencia aceptable después de las interrupciones.

As the intention is to reduce the amount of thermal generation and to increase the share of clean energy, power systems are increasingly becoming susceptible to frequency instability after outages due to reduced levels of inertia. To address this issue frequency constraints are being included in the scheduling process, which ensure a tolerable frequency deviation in case of any contingencies. In this paper, a method is proposed to integrate the non-linear frequency nadir constraint into the unit commitment problem, using machine learning. First a synthetic training dataset is generated. Then two of the available classic machine learning methods, namely logistic regression and support vector machine, are proposed to predict the frequency nadir. To be able to compare the machine learning methods to traditional frequency constrained unit commitment approaches, simulations on the power system of La Palma island are carried out for both proposed methods as well as an analytical linearized formulation of the frequency nadir. Our results show that the unit commitment problem with a machine learning based frequency nadir constraint is solved considerably faster than with the analytical formulation, while still achieving an acceptable frequency response quality after outages.