基于核支持向量机(SVM)与主动学习(Active Learning)的微电网安全域高效构建及韧性导向预防性调度方法

《Energy and AI》：Proactive scheduling of resilient networked microgrids via data-efficient security region learning

　　

研究人员提出一种面向并网型微电网(NMGs)抗灾韧性提升的安全域(Security Region, SR)导向滚动预防性调度方法。首先，基于最大间隔原理构建核支持向量机(Kernel SVM)分类模型以刻画交流最优潮流(AC-OPF)可行域边界，采用序贯对偶优化(Sequential Dual Optimization, SMO/Platt's SMO)分解二次规划(QP)问题，并结合基于信息熵的主动学习(Active Learning)策略选取最接近决策边界的未标记样本进行标注，显著减少需调用AC-OPF可行性评估(Feasibility Assessment)的样本量。随后将学得的非凸安全域取其边界点构造凸包(Convex Hull)并基于法向量余弦相似度剔除冗余约束，获得可嵌入优化的低维线性多面体约束。在此基础上建立两阶段随机规划(Two-stage Stochastic Programming)模型，将安全裕度(Security Margin, τglobal)最大化项纳入目标函数，结合灾难情景集与频率安全(RoCoF/Nadir)校核实施滚动窗口(ΔT/Tf)决策，并通过非凸Oracle后验验证与保守性切割(Conservative Cut/Shrinkage Factor γ*)消除凸近似引入的不安全区。IEEE 39母线及118母线算例表明该方法较随机采样与模型近似法所需标注样本减少约70%–80%，安全域表征精度超95%，灾后切负荷量较传统随机规划降低50%以上且可保障孤岛形成后的暂态频率安全。

论文解读：基于安全域学习与主动学习的微电网韧性预防性调度研究

一、研究背景与问题提出

并网型微电网（Networked Microgrids, NMGs）在极端连续灾害（如台风引发序贯断线导致分区孤岛化）下需具备形成安全孤岛的能力，而其能否安全运行取决于当前运行点是否位于系统的安全域（Security Region, SR）——即所有满足交流最优潮流（AC-OPF）可行性的节点注入功率（P/Q）或联络线交换功率的可行集合。现有安全域获取方法存在两类局限：（1）基于直流潮流或线性化的最优割法（如多参数线性规划MPLP、极大极小法）因忽略NMGs中大量非线性约束导致精度不足；（2）传统数据驱动方法（CNN/DBN/LDA）需海量随机标注样本，而每次标注需调用耗时的AC-OPF可行性评估，计算成本高昂。此外，所得非凸安全域难以直接嵌入预防调度优化模型，且既有预防调度多未显式考虑岛内化后的暂态频率安全（RoCoF及频率偏差限值）。因此，亟需一种样本高效的安全域学习方法及可嵌入优化的凸近似表达，并据此设计兼顾经济性与岛内频率安全的滚动预防性调度策略。《Energy and AI》刊载的本文针对上述需求开展研究。

二、关键技术方法概述

研究人员以IEEE 39母线及118母线NMGs为测试系统，考虑台风序贯故障场景集（各场景指定时段内开关/线路/机组退出状态，γ_k∈{0,1}且∑γ_k=1）。主要技术路线含四部分：（1）采用RBF核支持向量机（Kernel SVM with RBF Kernel K(x_i,x_j)=exp(?γ‖x_i?x_j‖²)描述AC-OPF可行/不可行二分类边界，拉格朗日对偶经SMO算法（两变量子问题解析求解+L/H界截断+偏置b更新）获SVM参数{λ_i,θ^*=∑λ_iy_iψ(x_i), β}；（2）主动学习循环：以当前SVM预测候选池中各点可行性概率p(x)=1/(1+e^?f(t)(x))，选信息熵H(x)=?p(x)log p(x)?(1?p(x))log(1?p(x))最大者（即|f^(t)(x)|最小，最靠近超平面）送AC-OPF打标，迭代至边界收敛（约200次）得非凸安全域Oracle；（3）取Oracle判定边界点V_b={x|P(y=1|x)=0.5}构凸包Conv(V_b)={∑λ_iv_i|λ_i≥0,∑λ_i=1}，按法向量夹角阈值θ_th合并近似平行切面得简化多面体H_ty_t^s≤e_t；（4）建立含安全裕度τ_global（式12：max τ_global, s.t. τ_i/‖h_i‖₂≥τ_global, h_i^Ty^s+τ_i=e_i）的两阶段随机规划预防调度（式13：min C₁(y^s)+E_π∈St[C₂(y^s,π_k)]?δ_m·τ_global，受(9a)–(9i)及SR约束），滚动执行并做稳态Oracle校验（违例时沿边界→形心射线求收缩因子γ^*=max_x∈Eγ(x)+ε，修正右端项e_i,t,new=(1?γ^*)e_i,t+γ^*(n^Tx_c)+ε）与暂态频率校核（Δf_^n^k限幅及RoCoF限值，越限则按I^k上调δ_m重解）。

三、研究结果

2.1. 数据高效主动学习的安全域模型与序贯对偶优化

研究人员推导了带松弛变量δ_i∈[0,Γ]的SVM拉格朗日函数对θ、β、δ_i的偏导，得到ω^*=∑λ_iy_iψ(x_i)及∑λ_iy_i=0，证其对偶QP可由SMO法分解为两变量(λ_a,λ_b)子问题并给出闭式更新公式λ_b^new,u=λ_b^old+y_b(E_a?E_b)/η（η=K(x_a,x_a)+K(x_b,x_b)?2K(x_a,x_b)），按y_a=y_b或≠y_b确定[L,H]界后裁剪得λ_b^new=min(max(λ_b^new,u,L),H)，λ_a^new=λ_a^old+y_ay_b(λ_b^old?λ_b^new)。结论：该SMO过程使核SVM可高效增量更新，支撑主动学习循环。

2.3. 数据高效主动学习的安全域构建

以IEEE 39节点NMGs节点1(P∈[?2000,1300]kW, Q∈[?1000,1000]kVar)为例，初选30个随机点，每轮选池中熵最大点调AC-OPF标注，约200次迭代稳定。结论：所学生存域Oracle准确率99.17%（仅需约230样本 vs 随机/CNN/DBN需1000+），凸包(408面)简化后保留95.10%精度；RBF核宽γ∈[0.24,1.06]内效果稳定（文取γ=0.5）。

3.2. 面向韧性NMG调度的安全域凸包简化表达

从非凸Oracle提取边界点V_b建凸包再依法向量夹角< />_th(=3°)合并冗余面。结论：简化凸安全域与原凸包精度几乎一致（95.10% vs 95.17%），约束数大幅削减，可直接作为线性不等式嵌入调度MILP/MIQP。

3.3. 安全裕度定义

全局安全裕度τ_global定义为运行点y^s到各简化超平面最小欧氏距离（τ_i/‖h_i‖₂的下确界），通过线性规划(式12)计算。结论：该指标量化NMGs当前状态距不安全边界远近，可作目标/约束强化调度保守性。

3.4. 考虑安全裕度的韧性NMG预防性调度

两阶段随机模型(式13)在滚动窗(ΔT=30min, T^f=1h)求解，首段执行余弃；若Oracle判当前最优y^s落入非凸不可行区则加保守切割(式14–17)；暂态频率越限(I^k=μ₁[(|Δf_^n^k|?Δf_dev^max)/Δf_dev^max]₊+μ₂[((Δf_^n^k?Δf_^n?1^k)/δt?RoCoF^max)/RoCoF^max]₊)则增大δ_m←δ_m(1+αI^k)重优化。结论：该机制兼顾经济性与频率安全。

4.2. 安全域学习效果验证

对比七种方法(M1a非凸Oracle/M1b简化凸域/M2 MPLP/M3 Max-Min/M4 Minkowski/M5 Vertex-Search/M6 CNN-DBN/M7 LDA)：M1a精度99.17%耗时25.3s，M1b精度95.10%耗时25.3s，M2–M5精度82.01%–88.02%耗时39.5–536.75s，M6 93.02%/148.5s，M7 94.55%/132.6s。结论：所提主动学习核SVM法样本效率最高（少70%–80%标注）、精度最高且耗时最短。

4.3. 不同预防性调度方法对比

四种策略——PS1(本文)/PS2(预切联络线极保守)/PS3(模型基SR无频率校验)/PS4(传统两阶段无SR无频率)：PS4灾后孤岛频率越限致崩溃最大切负荷3650kW；PS2稳频但切负荷2553kW；PS3切负荷2280kW；PS1自适应裕度下调至2251kW且频率恢复合规，单窗口均耗时35.43s(PS2 24.15s, PS3 64.14s, PS4 152.36s)。IEEE 118节点PS1总切负荷20.5MW(vs PS2 28.3/PS3 25.5/PS4 54.7MW)。结论：本文方法在保障岛内暂态频率安全前提下显著减少灾时切负荷并具工程可接受的计算效率。

四、讨论与结论

研究表明：①基于熵驱动主动学习与核SVM结合SMO序贯优化的安全域学习方法可用极少AC-OPF调用（~230次vs >1000次）精确刻画NMGs非凸AC-OPF可行域（>95%精度）；②取其边界凸包再法向去冗得可嵌入优化之线性安全域约束；③将此安全域及裕度项引入两阶段随机预防调度并辅以非凸Oracle后验切割与频率RoCoF校核，可使NMGs在序贯灾害下安全形成孤岛并将切负荷降50%以上。Song Yiyang, Gu Jipeng, Mao Haoyu, Deng Guohui, Wang Jianxiao于《Energy and AI》发表该成果，未来工作拟引入鲁棒优化以应对可再生能源与状态估计不确定度。