在用户用电行为不稳定的情况下，具备弹性的电动汽车-光伏电网运行及基于机器学习的故障诊断

《Renewable Energy Focus》：Resilient EV–PV grid operation under consumer variability and ML-based fault diagnosis

　　摘要：将电动汽车与光伏系统整合到现代电网中虽能带来可持续性优势，但也带来了负荷波动、韧性降低以及故障管理复杂等挑战。本研究提出了一种综合框架来应对这些问题，该框架以DIgSILENT PowerFactory构建的某大学实际配电网络为模型。准动态仿真结果显示，在基础电动汽车负荷的五倍范围内电网仍保持稳定，而当电动汽车渗透率达到八倍时则会导致变压器过载，且在高峰负荷时段有55.69%的电力需求依赖光伏供电。研究采用一种轻量级的机器学习方法来处理故障响应，利用三相电压和电流数据。所提出的方法在故障分类方面的准确率可达99.38%（XGBoost算法），在故障定位方面的精确度为96.01%（Lasso回归算法），性能优于传统技术。成本效益分析表明，整合光伏、电解槽和锂离子电池可在20年内减少169万美元的运营成本，实现72小时的停电抵御能力，并使碳排放量降低63.7%。通过将基于机器学习的故障诊断与优化的可再生能源系统相结合，该框架有效解决了负荷波动、电网可靠性及可持续性等问题。这些研究成果为那些希望以合理成本构建具有韧性且低碳的能源系统的电力企业及政策制定者提供了实用参考。

引言：现代能源系统正面临诸多严峻挑战，包括电力需求的快速上升、气候变化的日益威胁以及老化基础设施的脆弱性。在城市地区，对化石燃料和汽油车的持续依赖导致碳排放水平居高不下[1]。例如，在某个国家28,000兆瓦的电网中，可再生能源的占比还不到3%，而交通领域的年度碳排放量则超过1300万吨[2]、[3]。向电动汽车和太阳能过渡有望提升可持续性，但将这些技术有效整合到现有电网基础设施中又会带来新的复杂性[4]。

全球范围内，电动汽车的普及速度正在加快，城市中心的充电设施也在迅速扩展。然而，不可预测的电动汽车充电模式以及间歇性的太阳能发电会对电网稳定性造成巨大压力，从而导致电压下降、设备过载以及系统损耗增加。尤其是大量电动汽车同时充电所带来的高功率需求，会形成新的负荷，进而引发电压下降、设备过载以及系统损耗上升等问题。在持续的高负荷作用下，配电变压器容易饱和并加速老化，其运行容量往往会被超出。此外，可再生能源的接入还会增加故障检测的难度[5]，因为传统方法难以适应这类现代系统中典型的双向能量流动和动态电网状况[6]。由于输电线路常常面临各种环境风险，约40%的电网故障都发生在输电线路上[7]，这会导致因停机而产生的巨大经济损失，因此亟需改进故障管理策略。

近期关于电动汽车与电网整合的研究表明，数据驱动的规划方法[8]、[9]可以优化充电站的布局，但这些方法往往忽视了现实电网的动态特性。在集中充电过程中出现的电压波动[10]以及变压器加速老化现象[11]就体现了这一不足。虽然有研究[12]深入分析了不同类型电动汽车充电站对光伏系统整合的影响，指出郊区电网在电动汽车渗透率较高时最为脆弱，但这些研究同样只是孤立地分析技术指标，未考虑成本与韧性之间的平衡问题。类似地，谐波抑制技术[13]和负荷管理方法[14]虽然能够改善局部电能质量，但更注重单一指标，未能全面考虑双向应力影响以及系统的适应性，也无法实现自适应的故障缓解。

在电力系统故障诊断领域，机器学习的应用已经从早期的基于支持向量机的方法[15]发展到如今的分层分类技术[16]和深度自编码器等先进技术[17]。不过，现有的研究仍然存在碎片化的问题。针对输电线路的研究[18]、[19]通常基于简化模型和合成数据集，而以可再生能源为重点的研究方法[20]则缺乏在混合电网中的适用性。过度依赖理想化的数据集以及以学术会议为导向的创新成果[21]、[22]，进一步加剧了实际应用验证方面的不足。最关键的是，那些针对特定组件的解决方案[23]、[24]以及计算成本较高的混合模型[25]、[26]，都更侧重于单一维度的故障诊断，忽视了整体电网的韧性，也没有充分考虑可再生能源集成网络中的双向应力影响以及系统的整体适应性。

混合可再生能源系统在提升能源系统韧性方面具有巨大潜力，但仍存在一些关键限制。[27]研究虽运用机器学习技术进行可再生能源预测，但并未纳入与物理韧性相关的考量；[28]的研究展示了微电网调度方法，可使停电时间减少12% - 15%，但却没有考虑离网场景。 [29]通过将电动汽车纳入多能源微电网，部分解决了这些问题，实现了89%的自我供应率，但其在大城市和农村地区的适用性仍有待验证。在难民营[30]和沙漠地区[31]等极端环境下的研究也显示出一些局限性，比如在能源供应间断时不得不依赖柴油，而且研究假设负荷是恒定的，这限制了这些方法的实际应用。同样，[32]虽然优化了适用于偏远社区的混合系统，但并未考虑整合电动汽车带来的好处。

总体而言，现有研究往往忽视电网的动态行为、分布式能源资源带来的双向应力效应，以及成本与韧性之间的权衡关系。这就导致了故障管理策略的不完善，也限制了混合能源网络的扩展能力。这些共同存在的问题凸显出需要一种集成化的框架，该框架应结合高精度的动态仿真、可扩展的数据驱动型故障诊断以及多目标韧性策略——而正是这一空白，本研究旨在填补。

与之不同，本研究通过将技术指标和经济指标整合到一个统一的框架中，提升了在实际场景中的适用性，同时能够在混合用途的电网环境中有效平衡成本效益、系统韧性以及碳排放控制等问题，从而解决了上述现有研究中的缺陷。

本研究通过三大贡献来应对现代电网整合过程中的关键挑战，如图1所示。首先，它利用DIgSILENT PowerFactory在混合用途的校园配电网络中分析了电动汽车与光伏系统之间的相互作用，揭示了在高电动汽车渗透率（为基础负荷的8倍）情况下存在的电压下降（≤0.92 p.u.）和变压器过载等关键问题点。其次，它提出了一种可扩展的机器学习框架，该框架仅基于原始的三相电压和电流数据，就能实现故障分类（XGBoost算法的准确率为99.38%）和故障定位（Lasso回归算法的误差为3.9%），无需再进行手动特征工程。最后，它证明了光伏 - 电池 - 电解槽混合系统不仅能将运营成本降低22%，还将碳排放量减少63.7%，同时还能确保电网在72小时内具备应对停电的能力。

这项工作的创新之处主要有三点，直接针对现有研究中的关键空白：
1. 高精度模拟双向应力：以往的电动汽车与光伏系统研究往往只关注运营指标，或者假设充电行为是简单的[10]、[11]、[12]。而我们的研究则捕捉了在真实的混合用途配电网络中，高渗透率的电动汽车充电与间歇性的光伏发电之间的动态且双向的应力相互作用，揭示了在极端情况下（电动汽车渗透率为基础负荷的8倍）出现的电压下降和变压器过载等关键脆弱性问题。
2. 统一的、无需特征工程的机器学习故障诊断：现有的故障诊断方法通常只专注于分类或定位，而且依赖于手工设计的特征或合成数据集[15]、[16]、[18]、[19]。我们则提出了一种单一的、可扩展的架构，仅利用原始的三相电压和电流测量数据就能完成这两项任务，从而提高了在包含可再生能源的电网中的实时应用能力和稳定性。
3. 协同优化的韧性提升与技术经济效益：以往的韧性研究要么只注重成本节约，要么只关注系统的生存能力，而且往往不具备离网功能[27]、[28]。我们提出的光伏 - 电池 - 电解槽混合系统既能提供72小时的停电应对能力，又能将运营成本降低22%，同时还将碳排放量减少63.7%，从而有效解决了在可持续电网规划中成本与韧性之间的平衡问题。

为清晰区分我们的方法与当前的最先进技术，表1还对各项关键特点及创新点进行了系统比较。此外，为便于理解，这三项创新点分别与图1中所展示的三个研究目标相对应：目标1对应创新点1（运行动态分析），目标2对应创新点2（故障诊断），目标3对应创新点3（技术经济韧性提升）。

本文的其余结构如下：第2节介绍系统建模内容，详细阐述电动汽车 - 光伏系统网络、电网约束条件以及故障机制。第3节描述所提出的框架，包括测试系统的拓扑结构、仿真方法、数据收集方式以及机器学习技术的应用。第4节探讨研究结果，涉及电网稳定性、故障处理性能以及成本效益方面的分析。最后，第5节对全文进行总结，概述主要研究发现，并提出未来的研究方向。

片段内容：
电动汽车 - 光伏集成配电网络模型：为分析集成型电动汽车 - 光伏配电网络的动态行为，研究人员建立了一个全面的数学模型，用于研究电动汽车充电负荷、光伏发电量以及电网约束条件之间的相互作用。这个通用框架适用于各种网络配置和运行条件，无需考虑特定地点的细节。

概述：如图2所示，所提出的运行框架通过三个相互关联的组成部分，全面应对电动汽车与光伏系统给电网带来的挑战，这三个组成部分分别是：准动态仿真、机器学习故障诊断以及混合韧性 - 经济优化。首先，准动态仿真可以模拟在高电动汽车和光伏渗透率下的电网运行情况，生成真实的应力状态参数（如电压下降、设备过载情况）以及故障场景。这些仿真结果会被输入到机器学习模块中，该模块能够学习如何对这些信息进行分类。

结果与讨论：为了清晰、定量地总结本框架在各个关键方面的表现，本节首先列出本研究所取得的主要关键性能指标。表4汇总了与机器学习故障诊断准确性相关的指标、电网韧性方面的实际提升情况，以及所提出的混合系统带来的技术经济效益。后续的小节将针对这些发现提供详细的分析说明。

结论：本研究提出了一种综合框架，用于解决电动汽车和光伏系统在高渗透率环境下给配电网络带来的运行和韧性方面的问题。通过高精度的仿真以及基于机器学习的故障诊断工具，该研究不仅为应对现代电网的复杂问题提供了一种通用方法，还为处理极端集成场景（如电动汽车负荷为基础负荷的8倍）提供了具体的、可量化的解决方案。这项工作最重要的总体贡献在于提供了一种集成化的解决方案。

CRediT作者贡献声明：
Mahfujur Rahman：撰写——初稿、可视化、验证、软件开发、研究调查、正式分析、数据整理。
Fouziya Easmin Tonny：撰写——初稿、可视化、验证、方法论设计、研究调查、正式分析。
Md Kamrul Hassan Kajal：撰写——初稿、可视化、软件开发、方法论设计、研究调查、正式分析。
Mehedi Hassan：撰写——审阅与编辑、验证、项目监督、资源协调、项目管理、方法论设计、研究调查。

利益冲突声明：作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：作者衷心感谢Digsilent Powerfactory提供了学生版许可证，这一许可证对开展本研究起到了至关重要的作用。

Mahfujur Rahman | Fouziya Easmin Tonny | Md Kamrul Hassan Kajal | Mehedi Hassan
孟加拉国贾肖尔7408，贾肖尔科技大学电气与电子工程系，能源电网实验室