一种结合机器学习的混合分析方法，用于微电网中的电压稳定性评估

《Energies》：A Hybrid Analytical Approach for Voltage Stability Assessment in Microgrids Using Machine Learning

　　

摘要

随着可再生能源的日益普及和负载变化的动态性，现代智能电网中电压稳定性评估的复杂性显著增加。尽管标准分析方法具有较高的准确性，但它们计算成本较高，不适合实时应用。本文提出了一种结合分析方法和机器学习的混合框架，以实现高效的电压稳定性评估和分类。该框架分为两个阶段：首先进行功率流分析，计算快速电压稳定性指数（FVSI），并量化系统运行条件与电压不稳定的接近程度；然后将FVSI值转换为二进制稳定性标签，形成监督学习问题。在第二阶段，使用极端梯度提升（XGBoost）算法来学习系统运行变量与相应稳定性状态之间的关系。通过在IEEE 30节点系统上对所提方法进行评估，并将其与传统机器学习和深度学习模型（如支持向量机（SVM）、K近邻（KNN）和深度神经网络（DNN）进行比较，结果表明，基于XGBoost的框架在分类准确性、鲁棒性和计算效率方面均优于基准模型。所提出的方法为实时电压稳定性监测提供了一套快速、可靠且易于解释的解决方案，因此适用于现代智能电网应用。