Методи класифікації та моделювання малосигнальної стійкості енергосистеми в умовах високого проникнення відновлюваної енергії

Abstract

Проведено уточнення межі та структури малосигнальної стійкості в загальній класифікації стійкості енергосистем. Запропоновано розширену класифікацію малосигнальної стійкості, що дозволяє більш точно та структуровано оцінювати реакцію енергосистеми на малі збурення в умовах високого проникнення відновлюваних джерел енергії. Нова класифікація допомагає систематизувати різні типи малосигнальних відхилень і визначити їхній вплив на статичну стійкість, що підвищує точність аналізу та полегшує вибір адекватного інструментарію для моделювання. Проведено детальний порівняльний аналіз сучасних підходів до моделювання статичної та малосигнальної стійкості, включно з класичними математичними методами, статистичними техніками та інструментами штучного інтелекту. Встановлено, що методи Стохастичного поверхневого відгуку, імітаційного моделювання Монте-Карло та глибинного навчання (Long Short-Term Memory, Convolutional Neural Network, Transformers) демонструють найвищу ефективність за умов зростання частки відновлюваних джерел енергії, оскільки здатні працювати з нелінійними режимами та невизначеністю, що притаманна таким системам. Застосування інтелектуальних методів у поєднанні з традиційними математичними моделями створює більш повну картину поведінки енергосистем за малих збурень та дозволяє отримати значно точніші результати оцінки стійкості. Запропонована класифікація малосигнальної стійкості разом із проведеним аналізом методів моделювання формує цілісний підхід, який може бути використаний для покращення діагностики, прогнозування та оцінювання стабільності сучасних енергосистем із високим рівнем інтеграції відновлювальних джерел.

Has been carried out the refinement of the boundaries and structure of small-signal stability within the general classification of power system stability. An extended classification of small-signal stability is proposed, enabling a more precise and structured assessment of power system response to minor disturbances under high penetration of renewable energy sources. The new classification helps systematize various types of small-signal deviations and determine their impact on static stability, which improves analysis accuracy and facilitates the selection of appropriate modeling tools. A detailed comparative analysis of modern approaches to modeling static and small-signal stability has also been performed, including classical mathematical methods, statistical techniques, and artificial intelligence instruments. It has been established that Stochastic Response Surface methods, Monte Carlo simulation, and deep learning techniques (Long Short-Term Memory, Convolutional Neural Networks, Transformer-based models) demonstrate the highest effectiveness under increasing shares of renewable generation, as they can operate with nonlinear conditions and the inherent uncertainty of such systems. The integration of intelligent methods with traditional mathematical models creates a more comprehensive view of power system behavior under small disturbances and allows for significantly more accurate stability assessments. The proposed small-signal stability classification, together with the conducted analysis of modeling methods, forms a holistic approach that can be used to improve diagnostics, forecasting, and the assessment of stability in modern power systems with high penetration of renewable energy sources.