综述：基于人工智能的虚拟发电厂故障检测技术进展

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Advances in artificial intelligence-enabled fault detection for virtual power plants

虚拟电厂（VPP）多层级故障诊断体系构建与AI方法应用研究，提出聚合层、通信层、市场接口层的分层架构分析方法，建立包含前馈神经网络、卷积神经网络等六类深度学习方法的职能分类体系，揭示跨层故障传导机制与AI诊断方法适配性，指出数据异构性、通信可靠性、市场动态性三大核心挑战。

　　

甄兰豆|邵世文|张春燕|乔鹏|康莉|吴秋伟|刘凯龙

国家电网上海市电力公司，上海，200023，中国

摘要

随着可再生能源整合的加速，虚拟电厂（VPP）作为一种聚合和管理分布式能源资源的关键范式应运而生。然而，VPP固有的复杂性、异质性和动态行为使它们极易发生故障，这可能损害系统的可靠性、运行效率和电网稳定性。尽管以往的研究已经探讨了VPP故障诊断的特定方面，如网络威胁和单个资源的故障，但仍然缺乏系统性地涵盖整个VPP架构中故障类型和诊断方法的综合综述。为填补这一空白，本文提出了一种结构化且多层次的VPP故障诊断综述。VPP架构被划分为三个功能层：聚合层、通信层和市场接口层，并详细分析了主要故障类型、跨层交互及其潜在影响。此外，本文建立了一个以任务为导向的功能分类体系，涵盖了六种代表性的人工智能方法，包括前馈神经网络、卷积神经网络、循环神经网络、图神经网络、联邦学习和强化学习。这些方法根据其在不同VPP运行层中的角色、能力和适用性进行了系统性的重组和比较分析。最后，本文指出了在VPP中部署基于AI的方法所面临的主要挑战，并提出了未来研究方向，以提高VPP系统的适应性、可扩展性和韧性，从而支持以可再生能源为主的电网的可靠和可持续运行。

引言

随着太阳能和风能等可再生能源渗透率的增加，现代电力系统的结构正在发生重大变革[1]、[2]。与传统集中式发电不同，可再生能源通常是分布式的、间歇性的，并且难以直接调度[3]、[4]。为应对这些挑战并提高电网的灵活性和效率，虚拟电厂（VPP）的概念应运而生[5]、[6]。VPP通过先进的通信和控制技术，聚合并智能协调各种分布式能源资源（DER），如光伏（PV）系统、风力涡轮机、储能单元和可控负载（CL）[7]、[8]。然而，VPP复杂性的增加、异质性的增强以及动态特性的提升使得它们更容易发生故障和运行异常。因此，在VPP中及时准确地诊断故障对于确保可靠运行、防止级联故障以及支持可再生能源的安全并网至关重要。 VPP中的故障诊断由于组成能源资源的分散性、异质性和动态性而面临一系列独特挑战[9]、[10]。与传统电力系统不同，VPP整合了在不同控制策略、通信协议和物理条件下运行的各种分布式组件[11]。这种异质性增加了故障识别的复杂性，因为故障的症状在不同子系统中可能会有显著差异。此外，运行模式之间的频繁切换、通信网络上的实时数据交换以及对外部因素（如天气条件）的依赖进一步加剧了系统行为的不确定性和变异性[12]。VPP中的故障不仅可能源于硬件故障（如逆变器故障或传感器退化），还可能源于软件错误、通信延迟和信息物理交互。如果这些故障未被检测到或误诊，它们可能会在互连单元之间传播，降低系统效率，破坏电网稳定性，甚至导致大规模停电。因此，开发针对VPP运行复杂性定制的健壮且可扩展的故障诊断方法对于确保系统韧性、改进能源管理和维护可再生能源集成电网的安全至关重要。 已经对VPP中DER的组件和系统层面的故障诊断进行了大量研究。一些综述文章总结了这些工作，强调了该领域的进展和现有挑战。例如，Rao等人[13]研究了VPP中的当前安全挑战，特别关注潜在的网络威胁。他们讨论了现有的缓解策略，包括网络分割、持续监控和加密。同时，Yang等人[14]专注于VPP中关键DER组件——光伏系统的故障诊断。他们的综述涵盖了光伏故障的类型、原因和影响，并分析了文献中提出的一系列诊断方法，特别强调了光伏阵列故障诊断技术。Badihi等人[15]介绍了风力涡轮机中常见的故障和故障模式及其根本原因，并从基于信号和基于模型的角度提供了全面的状况监测策略综述。此外，近年来基于人工智能（AI）的故障诊断方法取得了快速进展，具有高诊断准确性、捕捉非线性动态的强大能力和减少对领域特定专业知识的依赖性等显著优势。Afridi等人[16]研究了使用先进的数据分析和AI算法来提高可再生能源系统中预测性维护系统的效率，这是VPP的核心组成部分。他们的综述重点关注了现有的预测性维护框架，强调了关键方法和挑战，特别是数据相关问题。上述综述从不同角度探讨了VPP故障诊断研究的进展和挑战，特别关注了网络威胁和VPP中单个DER组件的故障诊断方法。虽然这些研究提供了宝贵的见解，但它们主要关注特定VPP子系统或故障类型的诊断，缺乏对整个VPP架构中故障分类和诊断方法的全面系统综述。 为填补这一空白，本文将VPP架构分为三个层次：聚合层、通信层和市场接口层，并系统地分析了每个层次的主要故障、它们的跨层交互及其相关影响。此外，本文还探讨了在诊断这些故障中应用先进AI技术的情况。本文的主要贡献如下： - 对VPP中的故障类型进行了系统性和多层次的分析，重点关注聚合层、通信层和市场接口层发生的故障的跨层交互及其后果。通过解决级联故障、网络安全风险和动态市场不确定性等新兴挑战，本文为集成故障诊断、自适应控制和自愈策略提供了新的见解。 - 首次提出了一个以任务为导向的深度学习方法的功能分类体系，用于VPP中的智能故障管理。代表性的方法包括前馈神经网络（FNNs）、卷积神经网络（CNNs）、循环神经网络（RNNs）、图神经网络（GNNs）、联邦学习（FL）和强化学习（RL），并将它们系统地重组为四种范式，从而能够对其在不同VPP运行层中的角色、能力和适用性进行结构化的比较分析。 - 识别了采用和实施AI技术进行VPP故障诊断所面临的关键挑战，以及推进该领域的潜在机会和未来研究方向。 本文的其余部分安排如下：第2节对VPP中的故障类型进行了系统性和多层次的分析，特别关注聚合层、通信层和市场接口层内发生的故障的跨层交互及其影响。第3节深入回顾了当前基于AI的VPP故障诊断的最新技术，系统评估了各种方法的优点和局限性。第4节概述了该领域的主要挑战和新兴研究方向。最后，第5节总结了主要发现并总结了本文。

节选内容

虚拟电厂的组成和故障类型

VPP本质上是分层的信息物理系统，由异构的分布式能源资源、先进的通信基础设施和市场导向的协调机制组成。由于其多层架构，故障可能起源于不同的结构层次，包括资源的物理聚合、信息和通信网络以及市场交互接口。这些故障通常具有强烈的耦合性和跨层性。

虚拟电厂中的深度学习故障检测方法

随着AI技术的快速发展，许多近期研究探讨了神经网络算法在VPP故障检测和运行优化中的应用。如图5所示，VPP中神经网络的实现通常遵循标准化的工作流程。首先，数据采集系统收集实时测量数据，包括来自DER的功率输出、电网频率、电压、储能状态和历史运行记录。

挑战与前景

本节探讨了将深度学习（DL）技术应用于VPP故障诊断的关键挑战和前景。VPP依赖于DER的集成、实时数据采集和先进分析，以确保电力系统的高效和弹性运行。由于故障诊断对于这些系统的安全和可靠运行至关重要，DL模型已成为自动检测异常、分类故障类型和预测故障风险的强大工具。

结论

随着分布式和间歇性可再生能源的快速采用，VPP已成为提高电网灵活性和协调性的关键范式。故障诊断在这一背景下发挥着至关重要的作用，而AI技术的集成在提高VPP的故障检测能力方面显示出巨大潜力——这是确保整个可再生能源系统安全和可靠运行的关键步骤。本文综合了近期相关研究。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了以下项目的支持：国家自然科学基金（项目编号：62373224）、山东省自然科学基金（项目编号：ZR2024JQ021）、深圳市科技计划（项目编号：GJHZ20240218113404009）以及国家重点研发计划（项目编号：2024YFE0110900）。