《Frontiers in Artificial Intelligence》：AI-driven ANN–PSO smart-inverter capacity allocation at preselected buses under meteorological uncertainty
编辑推荐：
引言：径向配电网需要联合考虑气象发电、风电/光伏容量分配和智能逆变器电压支持的规划方法。方法：研究人员开发了一个ANN-PSO-VoltVAR框架，使用了2012-2021年NASA POWER在阿尔及利亚因萨拉赫的辐照度、风速和温度数据。可再生能源不确定性通
引言：径向配电网需要联合考虑气象发电、风电/光伏容量分配和智能逆变器电压支持的规划方法。方法：研究人员开发了一个ANN-PSO-VoltVAR框架，使用了2012-2021年NASA POWER在阿尔及利亚因萨拉赫的辐照度、风速和温度数据。可再生能源不确定性通过12个分层的Weibull-Beta场景和一个期望成本/CVaR（条件风险价值）目标函数表示。混合决策向量优化了在四个预选IEEE 85节点位置的风力涡轮机（WT）机组、光伏（PV）串和电压依赖的逆变器支持。在标准33节点馈线上使用精确的前推回代模块独立验证了潮流实现。结果：调优后的ANN（人工神经网络）实现了1.6323 kW的均方根误差（RMSE）、1.2314 kW的平均绝对误差（MAE）和0.99999的R平方值。经过验证的五次启动平均剖面解将平均有功损耗降至15.9900 kW，电压偏差降至0.051082 p.u.，同时将最小电压提升至0.98213 p.u.，最小电压稳定性指数（VSI）提升至0.96307。相对于IFLO（改进的褶蜥优化），分别改进了54.57%、22.49%、1.21%和8.41%。讨论：消融分析表明，容量分配贡献了大部分损耗降低，而Volt-VAR（电压-无功）支持产生了更明显的额外电压安全增益。由于IEEE 85节点电气响应是基于基准校准而非完全重构，因此这些发现应被视为可重复的原理验证。在IEEE 85节点系统和其他网络上进行直接的全馈线验证仍然是必要的。
**论文解读文章**
**研究背景、存在问题及研究动机**
径向配电网的规划已从辅助性环境选项转变为现代电网的关键决策变量。光伏（PV）系统和风力涡轮机（WT）能够减少有功损耗、提升弱母线电压并改善电压稳定性指数（VSI），但只有当其容量、位置和控制模式与馈线约束相匹配时才能实现。现有研究如Akbar等（2022）和Malik等（2020）表明，分布式发电（DG）布置直接决定网络损耗和电压质量，且多目标规划必须处理冲突目标。然而，大多数研究仅关注概率性容量分配，缺乏对气象不确定性、数据驱动发电预测和逆变器无功支持的综合优化。Bendriss等（2024）提出的改进褶蜥优化（IFLO）为风电/光伏规划建立了重要基准，但其主要仍是概率性容量框架，未从真实小时数据中学习非线性天气到发电映射，也未将光伏逆变器无功支持作为主动规划变量。因此，本研究的核心问题是：如何将可再生能源发电估计器、混合整数容量分配变量和智能逆变器无功变量整合到一个规划链中，并同时以损耗、电压偏差、最小电压和VSI为判据。
**研究人员开展的研究、结论与意义**
研究人员开发了一个ANN-PSO-VoltVAR框架，使用阿尔及利亚因萨拉赫2012-2021年的NASA POWER辐照度、风速和温度数据。通过12个分层的Weibull-Beta场景表征气象不确定性，并采用期望成本/CVaR（条件风险价值）目标函数。混合决策向量优化了在IEEE 85节点系统四个预选母线的WT机组数、PV串数和逆变器电压依赖无功支持比例。经过验证的五次启动平均剖面解将平均有功损耗降至15.9900 kW，电压偏差降至0.051082 p.u.，最小电压升至0.98213 p.u.，最小VSI升至0.96307，相对IFLO基准分别改进54.57%、22.49%、1.21%和8.41%。消融分析表明，容量分配贡献了大部分损耗降低，而Volt-VAR支持产生更明显的电压安全增益。该研究的意义在于提供了一个可重复的原理验证，实现了气象数据驱动的发电估计、混合整数容量优化和逆变器无功支持的闭环集成，为未来含高比例可再生能源的径向配电网规划提供了新路径。该论文发表在《Frontiers in Artificial Intelligence》。
**主要关键技术方法**
研究人员使用了以下关键技术方法：（1）人工神经网络（ANN）作为可再生能源发电估计器，从风速、辐照度、温度及时序特征中学习天气到发电的映射，在MATLAB中用fitrnet实现，采用两层隐藏层结构[32,16]，ReLU激活，L2正则化，训练数据为80%的NASA POWER历史数据（2012-2021，阿尔及利亚因萨拉赫）。（2）粒子群优化（PSO）算法用于搜索混合离散-连续决策向量，包含四个整数容量变量（WT机组数、PV串数）和两个连续变量（逆变器最大无功支持比例η），采用50个粒子、120次迭代，惯性权重线性递减。（3）Volt-VAR曲线定义电压依赖的无功下垂函数，结合逆变器容量约束实现无功支持。样本队列来源为阿尔及利亚因萨拉赫的NASA POWER气象数据。
**研究结果**
**3.1 预测性能与优化收敛性**
通过比较调优ANN、LSBoost集成和高斯过程三种回归模型，研究人员发现调优ANN取得了最佳绝对误差性能：RMSE（均方根误差）为1.6323 kW，MAE（平均绝对误差）为1.2314 kW，R2为0.99999（表1）。LSBoost的MAPE（平均绝对百分比误差）最低（1.7556%），但RMSE和MAE更大。高斯过程模型MAE为1.7423 kW，RMSE达15.251 kW，表明存在少量较大误差。因此，基于RMSE和MAE选择ANN作为可再生能源发电估计器。优化收敛轨迹显示，大部分目标函数下降发生在早期迭代，最终稳定值为0.640839。优化后的决策向量为：母线35和68各6个WT，母线52和70各71个PV串，每个逆变器约33.25%的Volt-VAR支持。
**3.2 基准比较**
表2比较了无RES情况、IFLO基准、固定惯性消融阶段和验证的五次启动平均剖面ANN-PSO-VoltVAR配置。验证的五次启动平均剖面解将平均有功损耗降至15.9900 kW，电压偏差降至0.051082 p.u.，最小电压升至0.98213 p.u.，最小VSI升至0.96307。相对IFLO，损耗降低54.57%，电压偏差降低22.49%，最小电压提升1.21%，最小VSI提升8.41%。消融分析表明，仅容量分配阶段（无Volt-VAR）将平均损耗从IFLO的35.1939 kW降至17.2465 kW，但电压偏差、最小电压和VSI改善有限；加入Volt-VAR支持（直接物理方程评估）后，这些指标进一步改善至0.05231 p.u.、0.98072 p.u.和0.95850，同时损耗降至16.3462 kW；ANN辅助固定惯性阶段达到15.9888 kW、0.05110 p.u.、0.98138 p.u.和0.96096。因此，容量分配主导了大部分损耗降低，逆变器无功支持产生更清晰的电压质量与稳定性增益，ANN作为紧凑替代模型而非额外物理信息源。
**3.3 电压剖面与稳定性行为**
电压剖面结果表明，无RES时径向馈线运行在弱电压带附近；IFLO方案改善了电压剖面但仍留有稳定性裕度；ANN-PSO-VoltVAR方案通过智能逆变器支持提升了电压底部并降低电压偏差，最小VSI从IFLO的0.8884提升至0.96307，远离脆弱低稳定性区域。
**总结讨论与结论翻译**
**讨论总结**
结果表明，改进并非仅由PSO算法替代IFLO造成，而是源于闭环规划链：ANN从真实数据学习天气到发电行为，PSO搜索混合离散连续规划向量，Volt-VAR支持提供物理上有意义的电压控制执行器。消融分析中的绝对值与归一化趋势一致确认：容量分配主导损耗降低，Volt-VAR支持带来最清晰的额外电压安全增益。ANN与直接物理方程阶段结果接近，证实ANN作为紧凑接口而非新物理信息源。与IFLO相比，增强配置使用12个WT和142个PV串（IFLO为8个WT和129个PV串）及33.25%逆变器支持，表明多起点搜索偏好平衡的6/6 WT分配和对称的71/71 PV分配。与混合电动汽车充电站研究（Soomro等，2024；Kumar等，2024）及配电网DG分配研究（Memon等，2023；2022）相比，本研究的创新在于将学习型气象发电替代模型与混合WT/PV容量及连续逆变器Volt-VAR变量结合。局限在于IEEE 85节点电气响应基于基准校准模型，需直接全馈线验证。
**结论翻译**
本研究提出了一个ANN-PSO-VoltVAR框架，用于在四个预选母线下进行基于场景的可再生能源容量分配。修订后的公式提供了明确的母线级WT/PV注入、电压依赖的逆变器能力曲线、气象场景、鲁棒的期望成本/CVaR（条件风险价值）目标函数、容量匹配控制模式以及二十次运行统计协议。提供的平均剖面消融表明，容量分配产生了大部分损耗降低，而逆变器无功支持产生了更清晰的额外电压安全改善。这些观察结果仍受限于IEEE 85节点电气响应基于基准校准这一主要局限。因此，该框架应被视为可重复的原理验证，而非完整的IEEE 85节点验证。精确的33节点潮流模块验证了独立求解器实现，但在做出更广泛的性能声明之前，需要在IEEE 85节点系统和其他网络上进行直接的全馈线验证。
