典型AC/DC输电场景下可再生能源规模效应的送端电网分析方法

《Electronics》：Analysis Method for the Grid at the Sending End of Renewable Energy Scale Effect Under Typical AC/DC Transmission Scenarios Zheng Shi, Yonghao Zhang, Yao Wang, Yan Liang, Jiaojiao Deng and Jie Chen

　　

在可再生能源高比例接入与交流/直流（AC/DC）混合输电协调发展的背景下，送端电网面临系统强度下降、稳定边界收缩以及高风险运行工况覆盖困难等挑战。针对AC/DC输电的运行约束，研究人员提出了一种整合“典型场景构建-规模阶梯比较-预测驱动时间序列注入”的新型可再生能源规模影响分析方法。在方法实现上，首先，在统一的送出约束和固定电网边界下构建两层典型场景体系：一个常规基准场景覆盖主要运行范围，通过多目标智能搜索获得一组靠近边界的风险场景，再经聚类精炼形成可计算的压力测试场景库。其中，边界场景由多目标搜索生成，该搜索同时驱动多个关键断面负载率逼近其极限，需满足交流潮流可行性和运行约束，所得的Pareto候选解通过聚类压缩为紧凑的压力测试库。其次，构建可再生能源规模递增的阶梯场景，在同一场景体系内进行跨尺度比较，以提取关键安全指标的规模效应和临界规律。最后，引入数据重采样和门控循环单元（GRU）多步预测生成风电出力时间序列，实现预测结果到场景注入量的时间映射，构建“预测-场景-电网指标”的闭环输入接口。结果表明，所提出的分层框架在统一的AC/DC送出约束下，能够有效构建具有增强边界风险覆盖的紧凑压力测试场景库，并揭示暂态电压安全随可再生能源扩张规模的演变规律。通过耦合面向边界的场景构建、跨尺度可比评估以及预测驱动的时间序列注入，该框架相比传统场景采样/缩减流程提高了工程可解释性和实际适用性。在预测模块方面，门控循环单元（GRU）模型在测试集上实现了MAPE=8.58%和RMSE=104.32 kW，在多步预测中优于线性回归（LR）/随机森林（RF）/支持向量回归（SVR）。

在“双碳”目标和能源转型背景下，可再生能源高比例接入与交流/直流（AC/DC）混合输电协调发展，使送端电网面临系统强度下降、稳定边界收缩以及高风险运行工况覆盖困难等挑战。现有场景生成方法缺乏面向最不利安全边界的搜索机制，难以直接覆盖AC/DC输电下的关键边界条件；规模影响评估缺乏在统一典型场景下对不同可再生能源渗透率的系统比较，限制了结论的可迁移性和工程适用性；预测技术中多步预测存在误差累积，且预测结果与送端电网安全验证耦合松散。因此，亟需构建一个能够统一刻画“典型场景-可再生能源规模-不确定性预测”耦合影响的分析框架，为提升送出能力、验证运行边界和风险预警提供可复用的方法论支持。

研究人员提出了一种整合“典型场景构建-规模阶梯比较-预测驱动时间序列注入”的新型可再生能源规模影响分析方法。该方法包括：（1）构建两层典型场景体系：常规基准场景覆盖主要运行范围，高风险压力测试场景通过多目标粒子群优化（MOPSO）搜索Pareto前沿并经K-means聚类压缩形成；（2）构建可再生能源规模阶梯，在同一场景体系下进行跨尺度比较以提取关键安全指标的规模效应和临界规律；（3）引入数据重采样和门控循环单元（GRU）多步预测生成风电出力时间序列，实现“预测-场景-电网指标”的闭环映射。以典型资源富省送端电网为例进行验证，故障集包含35个关键N-1三相短路故障点，共完成9240次动态仿真。结果表明，该框架能有效构建紧凑压力测试场景库，覆盖边界风险，揭示暂态电压安全随可再生能源规模扩大的演变规律；GRU预测模型在多步预测中优于线性回归（LR）、随机森林（RF）和支持向量回归（SVR），MAPE=8.58%，RMSE=104.32 kW。该研究为高比例可再生能源送端电网的送出能力提升、运行边界验证和风险预警提供了可复用的技术路线。论文发表在《Electronics》。

关键技术方法（不超过250字）：研究人员采用三层分解方法：场景层以负荷水平和风光出力比例为决策变量，利用多目标粒子群优化（MOPSO）搜索使多个关键断面负载率同时逼近极限的Pareto解集，再通过K-means聚类将数百个边界场景压缩为10个代表性高风险压力测试场景；规模层保持电网结构和AC/DC送出约束不变，通过线性插值构建多级可再生能源装机规模梯队，在同一场景体系下进行全交流潮流和非线性时域仿真；不确定性层采用数据重采样和门控循环单元（GRU）神经网络对风电功率进行多步预测（5分钟至3小时），将预测结果作为时间序列注入场景。样本数据来源：公开风电数据（2022-2023年，处理后为5分钟间隔，共87600条），训练集为2022年数据，测试集为2023年数据。

研究结果：
5.1 算例系统与数据来源：以典型资源富省送端电网为研究对象，包含500 kV、特高压AC和DC输电，规划送电规模从2025年的3162万千瓦增至2030年的3986万千瓦。采用PSD-BPA进行动态建模和时域计算，故障集为35个关键三相短路N-1故障点（覆盖全省500 kV及以上主干网架），控制条件包括有/无高低压穿越控制，共完成9240次动态仿真。风电预测数据来源于公开数据集。
5.2 两层典型场景体系验证：常规基准场景将负荷水平离散为4级（50%/70%/90%/100%），风光出力按比例分层，识别出“40%风电+70%光伏”为极端弱系统强度边界条件。高风险压力测试场景通过MOPSO搜索Pareto前沿，经K-means聚类（k=10）从数百个边界场景压缩为10个代表性压力测试场景，验证了该过程能有效覆盖边界风险，同时减少后续动态验证的计算负担。
5.3 高风险代表场景示例与风险特征说明：聚类简化后的高风险场景示例表明，它们反映多种指标边界权衡下的典型压力测试运行点，包括“低负荷+高光伏/高风电→极低惯量”以及“晚高峰+低可再生能源→外送通道趋近稳定极限”等弱系统条件，用于指导后续故障选择和观测。
5.4 不同规模/控制条件下关键通道故障动态对比：在不配置高低压穿越控制时，故障清除后因无功过剩导致暂态过电压，最高电压达1.2 pu；配置控制后电压平滑恢复至1.0 pu，过冲显著抑制。同步发电机功角响应显示，无控制时电压过冲放大机电暂态过程，恶化功角摆动幅值和衰减特性；配置控制后电压恢复更平滑，功角动态的“二次激励”效应减弱，有利于提高暂态稳定裕度。此外，调整无功电流恢复下垂系数slopeq（从350降至150）可增强动态阻尼（阻尼比从0.03增至0.046），但不改变稳态电压目标，其作用机制体现在抑制暂态过程中的无功电压耦合。
5.5 预测驱动时间序列注入验证：
5.5.1 数据来源：同上。
5.5.2 评估指标：采用平均绝对百分比误差（MAPE）和均方根误差（RMSE）。
5.5.3 实验参数设置：GRU隐层单元数和训练轮次通过交叉验证确定，LR、RF、SVR采用网格搜索调参，统一数据预处理和评估指标体系。
5.5.4 模型预测性能：在数据重采样机制下，GRU实现最高精度（MAPE=8.58%，RMSE=104.32 kW），MAPE比SVR、RF、LR分别降低2.99、1.94、3.44个百分点，RMSE显著更小，表明该多步预测模型具有更优的误差控制能力和工程可用性。
5.5.5 数据重采样有效性：对于SVR、RF、LR、GRU四种方法，数据重采样机制的平均MAPE（10.52%-18.32%）均优于直接预测（13.87%-22.40%）和迭代预测（19.52%-25.91%），验证了数据重采样在多步预测中的有效性。
5.5.6 输入窗口大小对预测性能的影响：输入窗口大小（6、12、18）的测试表明，窗口越小精度越高，窗口为6时各模型精度最高。

总结讨论与结论：本研究聚焦于高比例可再生能源接入下、受AC/DC混合外送约束的送端电网易出现的稳定边界收缩和高风险运行工况难以覆盖的问题。构建了“两层典型场景聚类简化-规模递增比较”分析框架，并引入“数据重采样+GRU”实现风电出力的多步预测以支持场景的时间注入。计算结果表明，该框架能有效筛选代表性压力测试场景，并揭示控制策略在弱电网暂态电压中的关键作用。同时，预测模块在多模型比较中取得了更优精度，验证了方法的有效性。