基于物理信息图注意力网络的有源配电网潮流预测代理模型

《Applied Sciences》:Data-Driven Power Flow Calculation Method for Active Distribution Network Based on PIGAT

【字体: 大 中 小 】 时间:2026年09月20日 来源:Applied Sciences 2.5

编辑推荐:

   随着电动汽车(EV)和分布式能源渗透率的不断提高,源荷不确定性、时空变异性以及非线性耦合使得有源配电网的运行状态难以实现快速准确的评估。本文提出了一种物理信息图注意力网络(PIGAT)代理模型用于潮流预测。光伏出力采用Beta分布表示,电动汽车充电负荷则通过基于类别的蒙特卡洛

  随着电动汽车(EV)和分布式能源渗透率的不断提高,源荷不确定性、时空变异性以及非线性耦合使得有源配电网的运行状态难以实现快速准确的评估。本文提出了一种物理信息图注意力网络(PIGAT)代理模型用于潮流预测。光伏出力采用Beta分布表示,电动汽车充电负荷则通过基于类别的蒙特卡洛抽样生成。图注意力机制用于捕捉母线之间的拓扑关系。物理信息损失函数结合了节点功率平衡和系统有功功率守恒约束,以提高预测结果的物理一致性。该模型将源荷输入映射为母线电压幅值、电压相角和系统有功功率损耗。在IEEE 33节点和69节点系统上的测试评估了预测精度、物理一致性、推理时间、轻载和重载条件下的性能,以及有限训练数据下的性能。在IEEE 33节点系统上,母线电压幅值预测的平均绝对误差(MAE)和均方根误差(RMSE)均低于5×10?? p.u.;系统有功功率损耗预测的MAE和RMSE分别为0.635 kW和0.712 kW;有功功率守恒偏差的MAE为0.862 kW。纯前向推理时间为1.58 ms,而MATPOWER为8.19 ms;包含可选的物理残差检查后,总评估时间为2.64 ms。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号