面向光伏并网配电网络电压安全与电动汽车接纳能力的数据驱动代理建模

《AI》：Data-Driven Surrogate Modeling for Voltage Security Assessment and EV Hosting Capacity in Solar-Integrated Distribution Networks

　　

摘要译文：当前配电网络因电动汽车（EV）和光伏（PV）系统部署不断增加而面临具有挑战性的电压稳定性问题。现有电压稳定性评估方法依赖计算密集的潮流分析，从而限制其用于实时决策。本文引入一种基于数据驱动的机器学习方法，在考虑EV和光伏波动时快速且可解释地评估电压安全。电压安全评分（Voltage Security Score, VSS）是基于Newton–Raphson计算潮流结果的连续安全度量。随后，代理机器学习模型仅使用可操作输入变量（包括EV需求、光伏发电和时间变量）训练，以避免内部系统状态信息泄漏。所提模型具有良好预测精度，能较好反映运行条件与电压稳定性之间的非线性关系。该框架支持基于VSS的安全区域筛选、运行包络可视化，以及不同光伏发电条件下EV负荷水平的初步估计。结果表明，光伏发电水平越高，电压稳定性越高，EV渗透率可越高。该研究为规划和管理含大量EV与可再生能源的现代电力系统网络提供了一种新颖且高效的实用解决方案。

论文主体解读：现代配电网络中EV和光伏（PV）渗透率上升，EV充电形成大而常不可预测的负荷，光伏出力具有间歇性和位置特异性，两者叠加使电压稳定与安全评估复杂化；超出可接受电压范围可能导致设备损坏、效率下降甚至电压崩溃。传统电压稳定判断依赖Newton–Raphson（NR）等潮流分析，结果可靠但计算成本高，难以满足动态场景实时决策。现有机器学习（ML）研究多采用电压幅值、线路负载或稳定指标等内部电气量作为输入，易造成信息泄漏且难以实时测量控制；多集中于安全/不安全分类而缺少对失稳接近程度的定量信息；对最大可容忍EV渗透、不同可再生发电下安全运行区域及EV充电需求—供给交互建模不足。为此，研究人员提出数据驱动代理建模框架，以可操作外生变量快速估计VSS，并扩展至安全裕度、安全运行包络和EV接纳能力筛查，强调EV需求与光伏发电联合考虑，为传统仿真评估提供计算高效、可解释的决策支持补充。

关键技术方法（不超过250字）：研究人员在修改IEEE-33配电系统上以Newton–Raphson（NR）潮流生成运行场景，经1.5 MVA变压器新增低压母线接入EV与PV；构建由最小电压风险、电压偏差、欠压计数和变压器负载加权组成的电压安全评分（VSS）；仅以EV有功/无功、PV有功/无功、视在功率、月份/日及净功率、EV–光伏比、交互项等可操作特征为输入，训练Extra Trees代理回归模型；模拟数据集含762个观测，按时间划分为533/114/115（训练期2021-10-30至2023-04-15，验证期2023-04-16至2023-08-07，测试期2023-08-08至2023-11-30）；以平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R²）评价，并据预测VSS构造安全裕度、阈值分类、安全运行包络与EV接纳能力。

研究结果：4.1 电压安全状况分布：通过全部模拟场景的VSS统计，VSS均值0.379992、标准差0.163792、范围0.200000—0.908816，说明样本覆盖安全至高度应力状态且分布较平衡，适合学习EV充电、光伏发电与电压安全的非线性关系。4.2 VSS预测的代理模型性能：通过时间划分测试集评估，代理模型R²为0.999483、MAE为0.000887、RMSE为0.001624，残差集中于零附近；对完整数据中77个临界场景的补充评估R²为0.998875、MAE为0.000785、RMSE为0.002311，但该补充集非独立留出集，不能证明对未见临界条件的泛化。4.3 特征重要性与物理解释：通过特征重要性和SHAP摘要分析，净功率差、视在/无功功率交互等EV—光伏交互特征主导VSS预测；EV负荷升高通常提高VSS（风险增大），光伏发电增加有助于改善稳定性，表明模型捕捉到物理上有意义的关系。4.4 电压安全的时间行为：通过实际与预测VSS随时间对比，代理模型能跟踪电压安全波动及EV高需求或光伏低出力导致的高风险时段；但测试子集不含临界场景，相关指标不能解释为对未见临界条件的泛化。4.5 VSS权重敏感性分析：通过比较原始权重、等权、电压主导和变压器负载主导配置，等权与电压主导相对原始VSS相关系数分别为0.9986和0.9989，变压器负载主导为0.9701，分类一致率为83.46%—93.04%，故保留原始权重并承认其敏感性。4.6 安全阈值敏感性：通过改变警报和临界百分位阈值，原始66/90百分位下安全、警报、临界场景比例分别为66.01%、23.88%、10.10%，阈值变化会改变区域比例，故阈值被视为研究特定的分布筛查标准而非通用电气运行限值。4.7 安全裕度分析：通过计算相对警报和临界阈值的M_alert与M_critical，正裕度表示安全、负值表示越限；EV需求71.17 kW时平均警报裕度约0.134，186.91 kW时降至约0.106，显示负荷增加降低系统安全。4.8 VSS安全区域的物理一致性：通过VSS与潮流指标关联分析，VSS与最小母线电压强负相关（?0.9736），与电压偏差正相关（0.9687）、与欠压计数正相关（0.8838）；安全、警报、临界区域平均最小电压分别为0.9278、0.9094、0.8805 p.u.，平均电压偏差分别为1.2451、1.8247、2.1525，欠压计数分别为10.1789、21.5385、22.0000，但VSS区域不等同于强制运行限值合规。4.9 EV–光伏波动下的安全运行包络：通过在EV需求和光伏发电网格上评估代理模型，包络中2141个样本为安全、829个为警报、630个为临界，可识别不同风险区域；该包络为VSS筛查结果而非独立验证的物理运行边界。4.10 电动汽车接纳能力估计：通过不同光伏水平下满足VSS阈值筛选EV最大需求，估计EV接纳能力从光伏141.72 kW时354.10 kW增至354.30 kW时572.72 kW，并在708.61 kW及以上达829.93 kW；这些值为VSS筛查指标，非独立验证的物理接纳容量。

讨论与结论：讨论部分强调VSS分类、安全包络和EV接纳能力属于筛查性指标，不能替代对母线电压及线路/变压器热限值的潮流合规校验；局限包括单一修改IEEE-33网络和模拟数据集、测试集无临界场景、77个临界场景补充评估非独立留出验证、VSS权重和百分位阈值具研究特定性；未来应在更多网络配置、独立生成临界场景和真实测量上评估，并发展自适应代理模型。结论部分译文（据原文浓缩）：本文提出一种用于高EV和光伏渗透配电网络电压安全评估的数据驱动机器学习方法。该方法结合Newton–Raphson潮流分析与代理机器学习模型，利用EV需求、光伏发电和时间特征等相关输入变量高效估计VSS。结果表明代理模型具有高预测精度，并捕捉运行条件与所定义电压安全指标之间的非线性关系。该框架还超越预测，提供安全裕度分析、安全运行包络可视化及不同光伏发电条件下EV接纳能力估计等运行相关洞见。研究发现强调在配电网络规划中联合考虑EV需求和光伏发电的重要性。总体而言，所提框架提供一种计算高效且数据驱动的决策支持工具，可补充EV集成智能电网中传统基于仿真的电压安全评估。解释结果时需考虑若干局限：第一，研究采用单一修改IEEE-33配电网络和模拟数据集，因此VSS权重、百分位阈值、代理映射和估计的EV接纳能力特定于所研究配置和运行范围；第二，尽管模型采用时间训练、验证和测试划分评估，测试集不含临界区域场景，且77个临界场景的补充评估未建立对先前未见临界条件的泛化；此外，所提安全分类和接纳能力估计应限于所研究场景范围理解，物理运行限值合规需要适当潮流验证。未来工作应在更多网络配置、独立生成的临界场景和真实测量上评估框架；自适应代理模型的进一步发展也可为EV和可再生能源渗透率上升下的计算高效决策提供支持。