《Nature Communications》:Computationally efficient tail distribution-aware large-scale power system overloading risk assessment
编辑推荐:
为解决可再生能源并网带来的电网过载风险评估难题,本研究提出了一种基于深度核稀疏向量值高斯过程(DKS-VVGP)的代理模型,结合自适应尾部重采样机制,实现了对N-k故障下大规模电力系统过loading风险的快速精准量化。该方法在ISO-NE实际电网(2.1万节点)验证中,较传统蒙特卡洛采样提速22倍,且能适应不同分布类型与相关性场景,为电网安全运行提供高效分析工具。
随着风电、光伏等可再生能源在电力系统中的渗透率不断提升,电网运行的不确定性和安全风险日益凸显。特别是在极端天气等异常情况下,输电线路可能因功率超过限额而引发连锁故障,甚至导致大面积停电。传统基于蒙特卡洛采样(MCS)的过载风险评估方法虽然精度高,但需要对每个样本进行耗时的大规模潮流计算,评估一个包含数万个节点的实际电网往往需要数百小时,难以满足电网15分钟至半小时级的调度需求。
为解决这一难题,美国康涅狄格大学、达特茅斯学院与ISO New England的研究团队在《Nature Communications》发表最新研究,提出了一种计算高效且尾部分布感知的大规模电力系统过载风险评估方法。该方法的核心是开发了一种深度核稀疏向量值高斯过程(DKS-VVGP)作为代理模型,将发电调度、预想故障集以及光伏出力、负荷需求等不确定因素作为输入,快速预测其对线路功率的影响。更重要的是,针对代理模型在过载边界附近预测精度不足的问题,研究团队设计了一种自适应尾部重采样机制,通过重新调用潮流计算器对边界样本进行校正,显著提升了风险评估的准确性。
在技术方法上,研究人员首先通过Copula理论构建不确定源的概率分布,生成训练数据集;然后利用深度核学习将神经网络嵌入高斯过程的核矩阵,提升对拓扑变化的适应能力;再结合随机变分稀疏近似降低计算复杂度;最后通过自适应重采样机制精准量化尾部风险。当系统出现新调度方案或故障场景时,还可通过迁移学习快速更新模型。
研究结果验证了该方法在ISO New England实际电网(21,754节点、24,280支路)上的有效性。在考虑40种N-k故障(最多8回线同时停运)的场景下:
尾部分布精准匹配
如图2所示,DKS-VVGP结合重采样后得到的10条关键线路功率概率密度函数(PDF)与MCS基准高度一致,而传统部分并行高斯过程(PPGP)因无法有效提取拓扑特征而误差较大。
故障场景适应性强
图4与图5对比了不同故障集(CTGC1与CTGC6)下线路L1、L3、L4的功率分布,显示DKS-VVGP能准确捕捉拓扑变化带来的风险差异,而PPGP仅在单一故障下表现尚可,多故障集下失效。
相关性鲁棒性验证
如图6所示,当不确定源间相关系数r从0.3增至0.5时,线路L1的功率分布仍被准确量化,且过载风险随相关性增强而降低(表3),但所需重采样样本数增加,因边界样本减少导致代理模型学习难度上升。
多分布泛化能力
在Beta分布测试中(表4),该方法仍能保持与MCS一致的风险评估精度(线路L1风险值2.021%),评估速度提升约16倍。
迁移学习高效更新
针对新调度场景(Disp.1-3),仅需1,000个样本微调模型即可实现零误差风险评估(表5),训练时间减少至原时间的1/6,满足实时调度需求。
该研究通过代理模型与物理校正的有机结合,实现了大规模电网过载风险的高效精准评估。相比传统方法,其在保持MCS级精度的同时将评估速度提升22倍,且能适应不同分布类型、相关性及调度场景。未来工作将拓展至电压、无功风险量化,并探索不确定性与故障的联合建模,为可再生能源高占比电网的安全运行提供关键技术支撑。