分布式智能电网背景下的配用电关键技术展望

汇报人：张勇军2025年10月 张勇军 华南理工大学三级教授，博导 、长期从事电力系统电压控制、电力系统可靠性、“互联网+”智慧能源、低压透明化等领域的科学研究与工程应用。曾获中国专利优秀奖、广东省科学技术成果推广奖等30多项科技奖励和荣誉。 中国电机工程学会华南理工大学会议中心秘书长、广东电机工程学会副理事长，中国电动汽车充电技术与产业联盟专家委员、全国高校人工智能与大数据创新联盟专家委员、IEEEPES输配电技术委员会低压配用电数字化技术分委会副主席 分布式智能电网背景下的配用电关键技术展望 01研究背景与意义02分布式智能电网的内涵03配用电相关技术研究进展04结语与展望 分布式智能电网背景下的配用电关键技术展望 01研究背景与意义02分布式智能电网的内涵03配用电相关技术研究进展04结语与展望 政策背景 口2014年，总书记提出能源革命的战略思想口2020年，“碳达峰、碳中和”战略目标口2021年，构建以新能源为主体的新型电力系统口2022年，发展分布式智能电网，建设一批新型绿色低碳能源基地口2023年，加快构建清洁低碳、安全充裕、经济高效、供需协同、灵活智能的新型电力系统 分布式智能电网建设意义 分布式智能电网背景下的配用电关键技术展望 01研究背景与意义02分布式智能电网的内涵03配用电相关技术研究进展04结语与展望 DSG的演化 新能源在配电网的高渗透率发展，导致传统“配电”功能已经被颠覆，升维成一天种源网荷储分布 DSG的特征 由于高渗透率新能源分布式接入构成的具有一定的自治和自平衡运行能力、能够与上级电网灵活协同运行的智能电网。 自治平衡 灵活互动 电力就地自平衡分层分区自组织分布式协同优化 供需互动多元主体互动新型商业模式 分布式智能电网的内涵 DSG的属性 物理属性 技术属性 价值属性 多种分布式主体 互济平衡技术 安全充裕 口分布式发电/能源口分布式储能口分布式微电网 口各个集群发挥自身资源优势口储能调控、柔性互联等技术实现电力电量的协同互济 口提高供电可靠性口提升系统韧性口保障信息安全 分布式组织架构 分布式感知技术 经济高效 口以分布式单元为基本单位口海量分布式单元柔性、对等分层集群地组织在一起 口多集群对系统的分布式感知口相互协作并共同完成整个系统的优化与控制目标 口提高系统运行效率与经济性口降低对基础设施建设的要求口提升系统运行灵活性 数字化智能化技术 高比例电力电子 清洁低碳 口灵活调节电力潮流灵活调节系统频率口提高系统频率稳定性 口依托先进量测、物联网、AI技术实现灵活智能调控运行口：具有自学习的特征 口推动能源低碳转型口提高终端部门电气化率口减少碳排放 分布式智能电网背景下的配用电关键技术展望 01研究背景与意义02分布式智能电网的内涵03配用电相关技术研究进展04结语与展望 计及灰数据的低压拓扑辨识技术 研究意义 口双碳战略驱动低压DSG成为可再生能源分布式消纳的主战场口低压DSG透明化是当前国家电力体制改革和电网企业战略转型的基础口如何及时、智能地更新拓扑信息，是低压DSG安全和低碳运行的前提 技术挑战 口现场环境复杂、设备计量误差和数据缺失口空置用户的电表返回数据为零口分布式电源对低压配电网的电气量时空特征产生干扰 科学问题 口拓扑先验知识和量测数据特征相互融合的模型与机制口灰数据特征对拓扑辨识的影响机理及其优化策略 依托项目 口国家自然科学基金（52177085）：低压配电网拓扑智能辨识的模型及其灰数据影响机理研究 计及灰数据的低压拓扑辨识技术 灰数据定义：由于电表等低压量测终端的计量准确性、日时间同步性、通信质量等问题，进而导致观测到的负荷量测数据出现不准确、不同步、不完整等量测数据质量问题， 量测数据的缺失率：在一定时间范围内，台区中因窃电、档案缺漏、通信异常问题导致部分用户在部分时段的负荷量测数据存在失真或缺失，具有一定的隐蔽性和随机性，真实状态无法提前获知。 量测数据的偏差率：在给定时刻下，因用户电表或量测终端的计量偏差和时钟同步偏差导致的负荷量测值与真实值之间的相对偏差，总体服从正态分布，方差变化范围为：0.1%~6.9% 计及灰数据的低压拓扑辨识技术 灰数据影响：量测灰数据问题是影响低压拓扑瓣识准确率的核心因素之一，将会使得低压拓扑算法出现系统性偏差导致结果严重劣化。 无偏性：由于回归模型的误差仍服从期望值为0的正态分布，因此，其回归系数的普通最小二乘估计仍具备无偏性：异方差性：由于拓扑辨识模型的误差的方差在不同观测值下具有差异性此时回归系数的最小二乘估计值将不具备最小方差性的性质后果：小样本情况下，可能会出现个别回归系数估计值与理论值相比出现较大偏差，进而导致LVDN拓扑辨识准确性的不确定性增大 前提：窃电比例不随时间变化，自变量观测值矩阵元素同比例减小期望值：窃电用户对应回归系数的估计值的期望将变为理论值β的1/e倍，因此该估计值不再具有无偏性方差：窃电用户对应回归系数的估计值方差将扩大1/倍，因此其估计值的波动幅度也将显著增大 计及灰数据的低压拓扑辨识技术 鲁捧瓣识算法：根据灰数据对低压拓扑瓣识的影响机理提出低压拓扑鲁棒性辨识系列算法，通过异常点剔除、算法适应性提升等策略，提升灰数据影响下的低压拓扑辨识效果 计及灰数据的低压拓扑辨识技术 试点台区均为投运时间较长的老旧台区，其中电流量测数据的计量偏差、时钟偏差以及通信异常导致的数据缺失问题相对比较严重，但所提方法（M4）相较于其他方法的辨识准确率均为最高 计及灰数据的低压拓扑辨识技术 主要研究结论： 量测灰数据问题是影响低压配电网拓扑瓣识准确率的主要因素之一，灰数据主要来源于计量误差、时钟不同步、通信异常、窃电等导致的数据偏差和缺失等问题；低压配电网中的量测灰数据问题一直存在且无法避免，从理论角度，需从灰数据瓣识与预处理、拓扑辨识算法鲁棒性策略方面寻求解决之道；为降低量测数据灰度，提高拓扑辨识算法的应用效果，从工程角度，可以从量测终端的入网检测标准、存量终端运维质量、主站数据处理能力等方面加强与改进。 基于深度学习的DSG态势感知技术 研究意义 口新能源分布式大量接入使DSG运行特性更加复杂、动态口传统模型依赖完整拓扑与参数，难以适应数据缺失与拓扑变动场景口深度学习可通过数据驱动实现DSG运行态势的智能感知与预测 技术挑战 口数据质量不高：量测数据存在缺失、噪声与时空分布不均口拓扑频繁变动：设备投切、用户接入导致结构变化口特征关联复杂：态势受时空耦合与多源特性影响 科学问题 口如何从配电网运行数据中提取有效的时空关联特征？口如何在深度学习模型中融合电气物理约束以提升可解释性？ 依托项目 口南网-华工联合研究院项目：基于全息透明感知的新型配用电系统态势计算与配用电博奔协同研究 二、基于深度学习的DSG态势感知技术 深度学习模型构建：首先基于台区的状态量和量测现状设计模型的输入输出特征向量再结合三相线性潮流方程，融合物理知识，构造多通道卷积模型 特征向量构造：ua=g(ur,Py,Qy,Pd,Q），ua为用户电压，ur,Pv,Qv,Pe,Q分别为台区首端电压、光伏有功功率、光伏无功功率、用户有功功率和用户无功功率。其中u.为模型的输出特征向量，ur，Pay，Oey，Pd，O为模型的输入特征向量 >三相线性潮流模型：ua=[のa,のd2,Wa.3]u+RPa+XQd，u,为用户电压的平方，u为台区首端电压的平方，P,=Pd-PO=Q-Qpv，[@1,0a.2,W3]为0、1变量，R、X，为参数矩阵。 基于三相线性潮流模型，构造多通道卷积模型 基于深度学习的DSG态势感知技术 基于改进降噪自编码器的灰数据清洗：针对实际量测中带噪声的数据导致传统降噪自编码器失效的问题提出了基于随机一致性原理的改进降噪自编码器，能够有效筛选出量测数据中的异常样本 改进降噪自编码器 传统降噪自编码器 编码器| h= f。(解码器r=g(h)=o(W,h+ba)损失函数L(O,)=x-g(f。(..参数训练,Φ=argminL(0,)数据降噪|x=f（f。（不带噪数据带噪数据 问题：在实际量测中，不存在完全不带噪的数据用于训练自编码器！ 二、基于深度学习的DSG态势感知技术 深度学习模型效果分析：将所提出的KD-CNN模型和其他常见模型进行对比，可以看出KD-CNN无论在模型准确度还是在插值和泛化性能上都表现出明显优势 KD-CNN为所提模型，可以看出其误差分布明显小于另外两个模型 口考虑到台区用户负荷及光伏出力的动态特性，历史量测数据难以覆盖所有场景因此需评估模型的插值能力（对训练样本的拟合能力）与泛化能力（对未见样本的预测能力）口由左图可知KD-CNN在训练和测试样本上的平均输出误差都低于或接近另外两个模型，证明其具有优秀的插值和泛化性能 49节点三相四线低压配电台区 插值泛化性能对比 二、基于深度学习的DSG态势感知技术 改进降噪自编码器效果分析：改变所提出算法的各项参数进行多组实验，可以看出经过数据清洗后模型误差明显下降，并且基于实验结果给出了算法的调参思路， 实验分析 aI单次训练样本数量bI每轮选取的误差最大样本数CI循环次数 实验结果 nI最终选出的异常样本数量 平均误差I剔除异常样本后训练模型的输出电压平均误差，可以看出第6组实验的平均误差为1.26%，相对于1.95%明显降低。 调参思路 固定循环次数c为100次固定单次训练样本数a为总样本数的5%调整每轮选取误差最大样本数b使得最终异常样本数量n为总训练样本数的25% 第0组不对数据进行处理，1~8组使用改进降噪自编码器对数据进行处理 基于深度学习的DSG态势感知技术 主要研究结论： 基于深度学习的DSG态势感知方法，不依赖于精确的潮流计算，可以有效应对拓扑缺失和线路参数不准确等问题。 为提升基于深度学习的DSG态势感知方法的泛化性能和可解释性，必须要结合电力系统知识和机理。 准确的量测训练数据是模型拟合准确度的前提，因此在进行模型训练之前需要进行灰数据的瓣识和清洗，剔除掉异常样本。 三、基于混合博奔的供需互动技术 政策背景 口2024年底我国分布式光伏发电累计装机达到3.7亿于瓦，配电网向DSG形态转变口国家能源局《分布式发电市场化交易试点通知》明确支持分布式能源参与市场交易推动点对点（P2P）交易机制落地口发改委《新型储能发展指导意见》强调通过共享储能提升资源利用效率 现状问题 口单一区域交易机制存在跨区域协调不足、用户策略受限与多主体利益冲突问题，难以适应多区域能量流动与博奔优化需求口DSG安全与市场协同存在电压越限风险、1算法效率低与隐私保护矛盾，驱需兼顾安全约束与实时优化的创新解决方案， 依托项目 口南网-华工联合研究院项目：面向未来市场机制的多层级分布式资源灵活互动与协同控制技术研究 三、 :基于混合博弈的供需互动技术 聚合商与用户的主从-演化博奔：运营商和用户博奔时，决策将相互影响、产生相互作用，需要考虑多区域、多时段、多主体协同共享中的复杂博奔关系与利益分配问题。 >聚合商目标函数： 三基于混合博弈的供需互动技术 方案1：用户投资并优化储能容量，直接与电网交易：方案2：通过统一内部价格引导用户参与需求响应。：方案3：为每个区域设置不同的内部价格，允许用户在单个时间段内选择一个区域进行交易。方案4：本文所提方法。 用户、运营商交易收益 》方案4通过扩大用户多区域电能共享，提升交易收入（提高新能源消纳率），降低运营成本（共享资源利用率），实现收益最大化。 与方案2和3相比，运营商的年累计收益分别增加了97.5万和46.7万人民币。 三、 :基于混合博弈的供需互动技术 电网与聚合商的博奔：电网-聚合商具备了相依网络特性。单一系统扰动影响网络自身运行状态与能流平衡，耦合设备运行状态因此受影响，影响另一