《IEEE Transactions on Aerospace and Electronic Systems》:Telemetry-Only Voltage Sensitivity Estimation for Interoperable DER Aggregation
编辑推荐:
电压-功率灵敏度信息是配电系统中电压调节、分布式能源(distributed energy resource, DER)调度和基于逆变器控制的关键使能要素,尤其在光伏(photovoltaic, PV)高渗透场景下。然而,实际运营商,如聚合商和虚拟电厂,往往无
电压-功率灵敏度信息是配电系统中电压调节、分布式能源(distributed energy resource, DER)调度和基于逆变器控制的关键使能要素,尤其在光伏(photovoltaic, PV)高渗透场景下。然而,实际运营商,如聚合商和虚拟电厂,往往无法获取完整的馈线模型或全馈线相量测量单元(phasor measurement unit, PMU)基础设施。本研究提出一种仅遥测的深度学习框架,利用具备互操作能力的DER遥测数据进行电压灵敏度估计,且不假设全馈线PMU部署。该方法首先学习一个遥测-电压代理模型,然后利用来自代表性运行点处的稀疏有限差分教师灵敏度对其雅可比(Jacobian)进行标定。由此,估计器在重构电压的同时,保留了运行所需的局部电压灵敏度结构。该框架在三种馈线上得到验证,覆盖从近线性到强非线性的电压行为——IEEE 37节点、IEEE 123节点和IEEE欧洲低压(Low-Voltage, LV)测试馈线——并使用了通过MATLAB–OpenDSS COM接口协调的六年辐照驱动时序仿真数据。研究人员将所提出的零PMU估计器与这些馈线上的无PMU基线进行了比较(案例1);检验了对PV渗透率的鲁棒性(案例2);并通过添加若干策略性布置的PMU评估了成本-精度权衡(案例3)。所提方法展现出随馈线非线性增强而增长的线性度依赖优势:在近线性的37节点馈线上具有竞争力,而在非线性LV馈线上相比最优线性基线将灵敏度均方根误差降低约4.3倍;该精度在各渗透率水平下得以保持,而有限PMU增补可带来进一步取决于部署阶段的收益。
**研究背景与存在问题**
随着光伏(photovoltaic, PV)等分布式能源(distributed energy resource, DER)渗透率不断提高,配电网电压管理较传统无源馈线更具动态性和运行挑战性。电压对功率的灵敏度信息成为电压调节、DER调度、削减分配以及基于量测的调度等任务的关键输入。IEEE Std. 1547推动的DER互操作功能也使标准化遥测交换的重要性上升。然而,许多DER聚合商或虚拟电厂(virtual power plant, VPP)运营商没有馈线级相量测量单元(phasor measurement unit, PMU)基础设施,也往往缺乏完整可信的馈线模型。现有无PMU方法,包括最小二乘(least squares, LS)、递推最小二乘(recursive least squares, RLS)、前馈神经网络(feedforward neural network, FNN)和长短期记忆(long short-term memory, LSTM)网络,普遍存在一个共同局限:它们只优化电压重构或直接回归灵敏度,没有显式约束估计灵敏度与真实电压响应之间的一致关系,导致电压拟合准确但局部梯度仍可能不准确或物理不一致。为此,研究人员提出一种仅遥测的雅可比引导深度学习框架,以解决上述问题。
**研究内容与总体结论**
研究人员首先学习一个遥测-电压代理模型,再利用代表性运行点处通过稀疏有限差分生成的教师灵敏度标定该代理的雅可比,从而在重构电压的同时保持局部灵敏度结构。其训练目标由电压重构损失和雅可比标定损失联合构成,在线推理阶段只需DER遥测输入,无需全馈线PMU或可信馈线模型。该框架在IEEE 37节点、IEEE 123节点和IEEE欧洲低压(Low-Voltage, LV)测试馈线上,使用通过MATLAB–OpenDSS COM接口协调的六年辐照驱动时序仿真数据完成验证。结果表明,所提方法具有随馈线非线性增强而增长的线性度依赖优势:在近线性37节点馈线上与强基线相当,在中度非线性123节点馈线上取得最低均方根误差(root mean square error, RMSE),在强非线性LV馈线上将灵敏度RMSE较最优线性基线降低约4.3倍,并在不同PV渗透率下保持精度。该研究为缺少PMU和网络模型的聚合商与VPP运营商提供了一种物理一致性更强、部署成本更低的电压灵敏度估计途径。
**关键技术方法**
研究人员主要采用了以下关键技术方法:(1)仅遥测输入构造:以DER有功和无功功率等互操作遥测为输入,以监测母线电压幅值为输出,建立全连接深度网络代理。(2)稀疏教师灵敏度生成:在代表性运行点对单个DER施加小幅有功扰动,通过OpenDSS潮流有限差分获得电压-有功灵敏度标签,教师样本数少于总样本的0.1%。(3)雅可比引导联合训练:总损失为电压重构损失与雅可比标定损失之和,使代理对有功输入的梯度逼近教师灵敏度,标定权重λ经验证集调参取为5。(4)推理阶段采用网络上的有限差分提取灵敏度,并按标准化系数还原物理单位。仿真样本来源为IEEE 37节点、IEEE 123节点和IEEE欧洲LV测试馈线,采用六年辐照数据与泄漏无关的留出协议划分训练、验证和测试集。
**研究结果**
**案例1:跨馈线拓扑的仅遥测灵敏度估计**
该案例在近线性、中度和强非线性三种馈线上,将所提零PMU估计器与LS、RLS、FNN和LSTM基线进行比较。在IEEE 37节点近线性馈线上,RLS取得最低误差,RMSE为1.30×10
?5,LSTM在排序类指标上领先,所提方法虽具竞争力但无优势。在IEEE 123节点馈线上,所提方法取得最低RMSE和平均绝对误差(mean absolute error, MAE),RMSE为1.48×10
?6,较RLS的2.57×10
?6降低约1.7倍,但RLS仍保持较高的排序相关系数(correlation, Corr)。在强非线性的IEEE欧洲LV馈线上,所提方法在所有指标上均显著领先,将RMSE降至9.20×10
?6,而RLS为3.91×10
?5,约4.3倍改进。LSTM虽为最接近的竞争者,但参数和计算成本明显更高;未加入雅可比标定的普通FNN在非线性馈线上仅与线性基线相当,说明性能提升来自灵敏度标定而非模型容量。
**案例2:不同光伏渗透率水平下的仅遥测灵敏度估计**
该案例在IEEE 123节点馈线上固定馈线模型、PV位置、监测母线和辐照曲线,仅将PV额定容量按10、15、20和25 MW四个水平缩放,以隔离渗透率的影响。结果显示,所提方法在所有渗透率水平下均保持低且近似恒定的RMSE;LS在所有水平上均不准确;FNN和LSTM的误差较高且无一致趋势;RLS在低渗透率时已高于所提方法,并随渗透率升高而进一步退化。这表明所提方法无需改变结构、重训策略或超参数即可适应不同DER接入水平。
**案例3:成本感知的相量测量单元部署**
该案例以零PMU估计器为固定锚点,采用贪心交叉验证选择PMU位置,并用岭回归残差校正器学习剩余灵敏度误差,考察P3、P5、P10、P15、P20和P25六个部署阶段。结果显示,少量策略性布置的PMU即可显著改善精度,但收益并非随PMU数量单调增长。仅部署3个PMU时,误差下降已集中于电学上更具挑战性的下游母线;增加到P10时误差分布明显更低且更均匀;继续加密至P15–P25的额外收益有限且不稳定。这说明PMU的信息含量和布置位置比数量更重要,定向部署可作为成本有效的精度增强选项。
**讨论与结论**
论文在结论部分指出,互操作能力启用的DER遥测可以在高PV馈线中提供实际可用的电压灵敏度估计,从而减少DER聚合和VPP调度场景对馈线级PMU基础设施的依赖。所提方法在线运行时不假设全馈线PMU或完全可信的馈线模型,而是通过离线稀疏