面向强不确定性环境的电力系统电压稳定裕度评估与提升技术研究

汇报人：高晗 单位：哈尔滨理工大学 背景与挑战 汇报目录 数据驱动的电压稳定裕度评估 三强不确定环境下的模型更新 四机理引导的裕度评估技术提升 五结论与思考 个人基本情况简介 背景与挑战 构建新型电力系统是实现“双碳”自标和保障我国能源安全的战略选择 2023年6月3日，为指导电力行业科学推进新型电力系统建设，国家能源局组织发布《新型电力系统发展蓝皮书》。 背景与挑战 新型电力系统建设对电压稳定性提出了前所未有的严峻考验 间歇式新能源高比例渗透、海量异质用电负荷密集接入，叠加电网结构和运行特性愈加复杂，电玉稳定裕度不断下降，电压失稳风险突出！ 挑战 2025年4月28日，伊比利亚半岛（西班牙与葡萄牙）发生大停电事故，与欧洲大陆电网解列后区域内出现持续电力供应中断，波及超过5000方伊比利亚半岛民众，交通、通信、医疗等关键领域受到影响，给经济运行与社会秩序带来严重冲击。失稳原因与电压密切相关！ 4.28停电 背景与挑战 新能源接入强不确定性场景下实现电压稳定裕度的准确、可靠评估势在必行 电压稳定裕度是衡量系统电压稳定性的重要指标之一，传统基于系统模型分析的评估方法难以真实反映复杂不确定性环境下的电压行为 瓶颈 背景与挑战 汇报目录 数据驱动的电压稳定裕度评估 强不确定环境下的模型更新 四机理引导的裕度评估技术提升 五结论与思考 个人基本情况简介 目二、数据驱动的电压稳定裕度评估 利用历史运行数据、仿真数据或监测数据，训练电压稳定裕度评估模型 数据驱动的电压稳定裕度评估的基本流程 模型输入标签 模型输入特征 电网状态变量（节点电压、潮流、新能源出力、负荷大小、电网拓扑等） 通过连续潮流法离线计算电压多种运行工况下的电压稳定裕度值，作为输入的数据标签 糖季总達 目 二、数据驱动的电压稳定裕度评估 利用历史运行数据、仿真数据或监测数据，训练电压稳定裕度评估模型 选择合适的人工智能模型-LightGBM：基于梯度提升决策树算法发展而来，两个重要优势 样本负梯度可以衡量数据样本重要性的，GOSS通过按梯度值降序排列，分配不同的权重值来降低数据集的维度 EFB将取值互斥（关联度较低）的特征进行捆绑，从而降低特征维度 目 二、数据驱动的电压稳定裕度评估 仿真计算结果分析 为了平衡模型准确率和训练时间直方图数值和送代次数进行折中选择，最终选择组合（15，10）作为模型训练中的直方图数量和送代次数参数。 目 二数据驱动的电压稳定裕度评估 仿真计算结果分析 随着训练数据量的增加，与其他方法相比，所提方法的CPU耗时最少 >对于同一个测试系统，随着训练数据量的增加，所提的CPU耗时变化不大 表明所提方法可以避免受到系统规模和特征数量的影响，更加！适用于复杂大型电力系统 背景与挑战 汇报目录 数据驱动的电压稳定裕度评估 强不确定环境下的模型更新 四机理引导的裕度评估技术提升 五结论与思考 个人基本情况简介 !三、强不确定环境下的模型更新 考虑结合增量学习技术，实现强不确定性环境下的LightGBM模型在线更新 数据驱动方法性能仍受限于训练数据的覆盖范围2当电网运行条件发生剧烈变化（如新能源出力特性改变、电网拓扑调整）时，模型泛化能力下降 存在问题 解决方案 强不确定环境下的模型更新 考虑结合增量学习技术，实现强不确定性环境下的LightGBM模型在线更新 1定义-(x）为参数更新前的裕度评估模型 采用↑.(x)对更新训练样本集的电压稳定裕度进行评估 2计算评估误差e, =y, -f-I(x,)/ T 3进一步计算参数更新所需的调整误差：8,-Z(wf" -e' /Zwf") 3获取新的运行方式下更新训练样本集 4给定其初始权重：wb,l :n-j-l 4更新裕度评估模型权重参数w, = w-"β" / z 强不确定环境下的模型更新 仿真计算结果分析 裕度评估准确性验证结果 对比方法在系统运行变化的C2和C3场景，尽管由于所提于其他三种对比方法但显然，RMSE值显著增加，R2大幅下降。[因此，负荷裕度估算的可靠性大大降低，无法为系统操作员提供运行指导 模型更新显著提高了评估结果的准确性，此外所提模型更新方法方法表现优于对比方法，具有更高的R2和更小的RMSE。 强不确定环境下的模型更新 仿真计算结果分析 相较于对比方法，所提方法在保证较高准确性的同时，提升了模型更新的速度 当系统运行条件发生变化时，IL-LightGBM模型的更新时间极短（小于0.5秒），表明所提方法能够适应系统电压稳定裕度评估的在线应用。 背景与挑战 汇报目录 数据驱区动的电压稳定裕度评估 三强不确定环境下的模型更新 机理引导的裕度评估技术提升 五结论与思考 个人基本情况简介 四、机理引导的裕度评估技术提升 考虑机理知识约束人工智能模型，增强裕度评估的可靠性和准确性 口物理约束提供先验知识 口确保模型输出在任何时候都符 口补偿因数据量不足或极端工况导致的模型偏差口保证模型在强不确定性下更鲁棒 合电网运行的基本物理逻辑 四、机理引导的裕度评估技术提升 考虑机理知识约束人工智能模型，提升裕度评估的可靠性和准确性 物理机理约束的智能模型增强技术：将电力系统中电压稳定的物理机理纳入人工智能模型的训练中，作为关键约束条件，指导模型的训练过程 损失函数修正 负荷增长系数（入）和电压稳定裕度（Kp）之间关联关系分析 四、机理引导的裕度评估技术提升 仿真计算结果分析 使用所提方法（机理增强方法）进行电压稳定裕度评估时，MI（机理致性指标）为0%，表明模型获得的所有评估结果都符合系统机理约束，评估结果可靠性也、准确性也随之提高 考虑运行工况变化场景的结果验证 烤季总遠 四、机理引导的裕度评估技术提升 仿真计算结果分析 用基于机理知识约束的目标函数训练的增强型RF和增强型SVM，负荷裕度估算的误差相比于传统的RF和SVM显著降低。具不符合机理知识的结果数量下降到零。表明机理增强方法具有适用于其他机器学习模型的普适性 背景与挑战 汇报目录 数据驱区动的电压稳定裕度评估 三强不确定环境下的模型更新 机理引导的裕度评估技术提升 五结论与思考 个人基本情况简介 五、结论与思考 自前采用的物理机理仍是简化的，未能涵盖所有复杂的动态物理过程电力系统中物理机理与数据驱动的融合仍需要进一步的探索 结论 基于LightGBM算法中GOSS和EFB实现数据和特征维度的压缩，提升电压稳定裕度评估的速度V建立了结合增量学习的电压稳定裕度评估模型在线更新策略，提高了在强不确定电力系统中的适应性实现了物理机理约束的电压稳定裕度评估技术提升，增强评估结果的准确性和可靠性 思考 如何整合更多影响电压稳定性的物理因素（有功/无功功率），更全面地刻画系统动态？实现更加鲁棒的更鲁棒的机理-数据协同基于精准的电压稳定裕度评估结果，实现对电网电压稳定运行的实时指导（裕度提升），形成从“评估”到“控制的闭环，从而主动提升电网的稳定性和鲁棒性 背景与挑战 汇报目录 数据驱区动的电压稳定裕度评估 三强不确定环境下的模型更新 四机理引导的裕度评估技术提升 五结论与思考 个人基本情况简介 六、个人基本情况介绍 教育经历 2018.09-2023.12东北电力大学电力系统及其自动化博士2013.09-2017.06东北电力大学电气工程及其自动化学士工作经历 2024.07-至今哈尔滨理工大学电力系统及其自动化研究所副所长2024.03-至今哈尔滨理工大学博士后2024.03-至今哈尔滨理工大学讲师，硕士生导师 学术简历 高晗(1995.03-) 博士后、硕士生导师哈尔滨理工大学电力系统及其自动化研究所副所长黑龙江省优博 获评2024年度“新时代龙江优秀博士学位论文"主持黑龙江省博士后面上项目主持黑龙江省“优秀青年教师基础研究支持计划”资助项目主持2025年教育部重点实验开放课题 ～六、个人基本情况介绍 科研成果 代表论文 Han Gao, Deyou Yang, Guowei Cai, Zhe Chen, Jin Ma, Lixin Wang,Fangwei Duan.Machine Learning-Based Reliability Improvement of Ambient Mode Extraction forSmartGridUtilizingIsolationForest|J).IEEETransactions onPowerSystems,2023,38(5):4752-4760. Han Gao,Lixin Wang,Deyou Yang,Guowei.Mechanism Enhanced Data-Driven Method for Reliability Improvement of Load Margin Estimation|J].IEEE Transactions onPowerSystems,2024,39(2):3715-3724Han Gao,Deyou Yang,YLv and L Wang.Unsupervised Machine LearningApproach to Enhance Online Voltage Security Assessment Based on Synchrophasor Data[J].IEEETransactions on PowerSystems,40(4): 3596-3599,2025.Han Gao,DeyouYangYLv andLWang.Hybrid Method ofAFDDWithECODforOscillation Modal ExtractionFrom SynchronizedAmbient Data[J].IEEETransactions onInstrumentationandMeasurement,2025,74:1-10.Guowei Cai,Han Gao*,Deyou Yang,Lixin Wang.Synchrophasor-Based Online Load Margin Estimation Using Incremental LearningAssisted LightGBMin SmartGrid[J).IEEESystemsJournal,2023,17(3):4660-4670. ·科研获奖· 感谢各位专家！敬请批评指正！ 汇报人：高晗 单位：哈尔滨理工大学