《Results in Engineering》:Real-Time ANN-Based Multi-Indicator Voltage Stability Assessment for Mesh Distribution Systems with High SPV-EV Penetration
编辑推荐:
太阳能光伏(SPV)发电与电动汽车(EV)充电的同步接入会在配电网中引发相互竞争的过电压与欠电压工况,对网架式配电网造成压力,并增加了实时电压稳定性评估的复杂性。预测-校正连续潮流法(CPF)与基于Jacobi矩阵的灵敏度分析(JBSA)等传统方法虽能提供精确
太阳能光伏(SPV)发电与电动汽车(EV)充电的同步接入会在配电网中引发相互竞争的过电压与欠电压工况,对网架式配电网造成压力,并增加了实时电压稳定性评估的复杂性。预测-校正连续潮流法(CPF)与基于Jacobi矩阵的灵敏度分析(JBSA)等传统方法虽能提供精确的稳定性裕度,但其计算密集度高,难以满足快速运行监测的需求。本研究提出了一种基于人工神经网络(ANN)的框架,用于在高渗透率SPV与EV共同作用下的网架式配电网中进行实时电压稳定性评估。该模型同时估计电压稳定性指数(VSI)、负荷可用裕度(LAM)和发电可接受裕度(GAM),这些数据来源于修改后的IEEE 33节点网架系统所生成的1,698种运行场景。优化后的ANN实现了0.00039729的均方误差和约0.999的回归系数,表明其具有高预测精度。在计算性能方面,ANN仅需0.15分钟的执行时间和2.99 MB的内存,而CPF需要0.728分钟和28.64 MB,JBSA需要1.185分钟和7.76 MB。这相当于ANN比CPF快约79%、比JBSA快约87%,同时内存使用量比CPF减少89.56%(仅为CPF内存的10.44%)、比JBSA减少61.47%(仅为JBSA内存的38.53%)。ANN与CPF和JBSA相比保持了可比的精度,平均绝对百分比误差(MAPE)分别为4.282%和2.822%。此外,该框架可靠地识别出18号母线为关键薄弱母线,这是由多重环路功率再分配所致,而该脆弱性往往被传统方法所忽视。这些结果表明,所提出的ANN方法能够实现准确、轻量且近实时的电压稳定性监测,适用于网架式配电网的实际运行部署。
研究背景方面,电力系统的安全稳定运行是现代经济社会活动的重要保障,配电网作为电能输送的最终环节,其可靠性直接关系到用户供电质量。随着城市化进程加快和产业负荷增长,传统辐射状配电网正逐步向网架式结构转型,以增强供电可靠性。网架式配电网中存在的多条并联通路加强了节点注入与支路潮流之间的耦合关系,使得分布式能源资源(DER)出力或负荷的微小波动即可引发非局部的潮流重分配,对电压分布和热稳定产生比纯辐射状系统更为复杂的影响。与此同时,全球范围内太阳能光伏(PV)发电的规模化接入给配电网运行带来了新挑战,高渗透率光伏系统可能在强辐照时段引起反向潮流和过电压;而电动汽车充电需求的快速增长则在峰值负荷期间加剧电压跌落、增加变压器与馈线过载风险,并对电压稳定性裕度构成压力。现有研究多单独分析SPV或EV对辐射状配电网的影响,而针对SPV与EV同时接入网架式配电网的电压稳定性研究相对匮乏。此外,传统的CPF和JBSA等方法因计算负担沉重,难以适应高波动性DER和EV环境下的实时应用需求。数据驱动模型特别是前馈ANN,可在离线训练基础上实现快速在线推理,为高变动性条件下的自适应电压稳定性评估提供了可行途径。鉴于此,开展高渗透率SPV-EV条件下网架式配电网实时电压稳定性评估研究具有重要的理论价值与现实意义。该论文发表于《Results in Engineering》。
在技术方法层面,研究人员采用修改后的IEEE 33节点网架式配电网系统作为研究对象,通过MATLAB/MATPOWER平台基于Newton-Raphson法进行潮流计算,生成涵盖SPV单独运行、EV单独运行及SPV-EV联合运行三种工况共1,698组运行场景的数据集。ANN架构为7-15-3结构的前馈神经网络,即7个输入变量(P
dj、Q
dj、V
i、V
a、P
gj、λ、?)、15个隐层神经元和3个输出变量(VSI、LAM、GAM)。隐层神经元数量通过粒子群优化(PSO)算法以最小化验证集均方误差为目标进行优化确定。ANN训练采用Levenberg-Marquardt算法,隐层激活函数为双曲正切sigmoid函数,输出层为线性激活函数。数据按70%-15%-15%划分为训练集、验证集和测试集,采用基于验证集MSE的早期停止策略防止过拟合。
研究结果部分如下:
ANN模型性能分析 通过不同激活函数与训练算法组合的性能热图分析,确定Levenberg-Marquardt算法配合tan-sigmoid/线性激活函数为最优配置。ANN训练过程中验证集MSE在49轮时达到最优值0.00039729,训练、验证、测试及全部数据的回归系数R分别达0.9989、0.99947、0.99891和0.999,表明模型具有优异的收敛性和泛化能力,未出现过拟合。测试集上VSI、LAM、GAM的RMSE分别为0.03061、0.01930、0.02888,MAPE分别为9.79%、6.28%、5.17%,预测精度(±5%容差)分别为94.90%、88.29%、77.16%。各场景下RMSE的95%置信区间显示LAM预测最为稳定,VSI和GAM在变应力网络条件下的预测误差变异性较大。
输入特征灵敏度分析 采用输入扰动法进行后训练灵敏度分析,结果显示电压幅值(V
m)为最重要特征,其次为负荷应力因子(λ),这与VSI、LAM、GAM的物理本质一致。母线级灵敏度排名揭示电压不稳定性敏感点集中于少数特定母线,且这些关键母线未必位于线路末端或重载位置,验证了网架式配电网中环路潮流路径和网络耦合对系统电压行为的决定性影响。
SPV渗透工况性能评估 随着SPV渗透率增加,系统电压整体上升,SPV接入母线在P
G>P
D时由PQ模式转为PV模式,电压被调控至1.05 p.u.。VSI分析显示SPV接入改善了局部稳定性裕度,但PQ-PV转换点出现VSI垂直跳变,此后趋于稳定。临界母线电压分析表明,20号母线在7个SPV渗透场景中有2次成为最低电压母线,显示出SPV渗透导致的不均衡电压分布特征——SPV接入点电压升高,而电气距离较远的母线仍处于低电压高风险状态。
EV充电渗透工况性能评估 EV充电负荷增加导致系统电压逐步下降,负荷可用因子λ的阶梯式增加使得网架结构中互连母线和支路承受的电压应力累积。10、11、26等母线因网架结构紧密而呈现更显著的电压跌落。VSI随EV渗透率提高而稳定降低,部分敏感母线在较低VSI值即达到不稳定边界。18号母线在7个EV充电场景中有4次成为最低电压母线,表明EV充电引起的电压应力可通过多环路结构转移至非直接接入点,体现了网架网络中电压崩溃脆弱性的空间转移特征。
SPV-EV联合渗透工况性能评估 联合渗透条件下,SPV母线(Bus 7)的PQ-PV转换引起局部电压支持的突变,而EV主导母线的电压则因负荷应力重分配而持续下降。Bus 7的VSI在PV转换后改善,但Bus 3的VSI持续恶化,显示PV控制虽稳定宿主母线却将稳定性负担转移至相邻母线。高EV低SPV工况下,EV主导母线出现严重欠电压,Bus 2成为最弱母线;高SPV低EV工况下,SPV母线维持约1.05 p generation p.u.的过电压,系统脆弱性转移至非SPV母线。高SPV高EV联合工况下,系统呈现EV母线欠电压与SPV母线过电压并存的双重空间不均衡效应。
CPF方法结果 CPF追踪完整P-V轨迹以避免奇点问题。SPV渗透分析显示局部电压升高与远端弱母线(Bus 23在7个场景中2次成为最低电压母线)并存;EV渗透分析揭示电压跌落通过多环路传播,Bus 6最为敏感;联合渗透分析表明SPV的电压升高效应与EV的电压降低效应相互抵消,但环路交互使电压应力向电气距离较远的母线转移,Bus 18在4个实例中有2次成为最弱母线。
JBSA方法结果 JBSA通过Jacobi逆矩阵测量功率注入微小变化引起的电压变化。EV渗透导致网络广泛电压下降,Bus 6最为敏感;SPV渗透引起局部电压升高,Bus 20成为最频繁的弱母线;联合渗透条件下SPV母线维持1.05 p.u.而EV母线濒临0.90 p.u.崩溃边界。与CPF和JBSA主要关注与负荷增长和发电注入直接相关的母线不同,ANN系统性地识别出18号母线为关键薄弱母线,这是多重环路功率再分配累积效应的结果。
与传统方法的比较 所提方法与CPF相比RMSE为0.0563 p.u.、MAPE为4.282%、相关系数为0.418;与JBSA相比RMSE为0.03844 p.u.、MAPE为2.822%、相关系数为0.795。计算效率方面,ANN执行时间0.15分钟、内存2.99 MB,CPF为0.728分钟和28.64 MB,JBSA为1.185分钟和7.76 MB。ANN较CPF提速约79%、内存减少89.56%;较JBSA提速约87%、内存减少61.47%。ANN的轻量级特性使其适用于SCADA更新间隔内的重复稳定性评估,可集成于配电管理系统(DMS)和能量管理系统(EMS)提供决策支持。
结论部分研究指出,本研究开发并验证了一种基于ANN的网架式配电网电压稳定性评估框架,首次在文献中实现了高渗透率SPV-EV条件下网架结构的综合稳定性分析。ANN模型以MSE=0.00039729和R≈0.999的高精度,同时预测VSI、LAM和GAM三项指标,执行效率显著优于传统CPF和JBSA方法。研究揭示了网架式配电网中电压薄弱性的非局部化特征——多重环路功率再分配可导致远离扰动源的母线成为系统最薄弱点,18号母线的识别即为例证。该框架为实际运行中的自适应电压稳定性监测提供了轻量级计算工具,支持SPV自适应切除、EV充电协调调度、网架结构改造规划等高渗透率DER/EV场景下的多维态势感知与决策。未来研究将扩展至更大型复杂网架网络,融入SPV和EV的随机性与预测不确定性,探索LSTM等时序学习模型,并结合模型预测控制实现逆变器调节、柔性变电站装置与受控EV充电的实时协调电压调控。