基于多模态机器学习的有源配电网等效建模方法

《IEEE Journal on Miniaturization for Air and Space Systems》：Multimodal Machine Learning Based Equivalent Modeling Method for Active Distribution Networks

　　

随着分布式电源(Distributed Generators, DGs)的大规模接入以及拓扑重构的多样化，有源配电网(Active Distribution Networks, ADNs)的动态特性愈发复杂，给其动态等值带来了巨大挑战。受牛顿拉夫逊潮流计算(Newton Raphson Power Flow Calculation, NRPFC)与卷积网络(Convolutional Neural Network, CNN)运算形式的相似性，以及循环神经网络(Recurrent Neural Network, RNN)能够表征负荷微分代数方程(Differential Algebraic Equations, DAEs)能力的启发，研究人员提出了一种基于多模态机器学习的等效建模方法，以实现对ADNs动态行为的追踪。首先，该方法将多模态机器学习划分为两个模块：一是门控循环单元(Gated Recurrent Unit, GRU)+全连接(Fully Connected, FC)模块，用于表征负荷建模所需的DAEs；二是CNN+注意力(Attention)模块，用于模拟NRPFC过程，提取扰动或拓扑重构引发的电力系统空间特征变化。随后，研究人员采用不同测试系统评估了该方法的鲁棒性与泛化能力，其中IEEE 14节点输电网分别接入了不同规模的配电网（即IEEE 33节点配电网与IEEE 57节点配电网）。仿真结果表明，该方法能够在不同运行工况下精准捕捉ADNs的动态行为。此外，通过与其它基于深度学习(Deep Learning, DL)的等值方法进行对比，验证了该方法在精度与泛化性上的优越性。

论文解读

研究背景与意义

有源配电网（ADN）的动态等值对电力系统动态仿真与分析具有重要影响。随着大规模可再生能源与分布式电源（DG）的接入，传统被动配电网转变为有源形态，其与主网的功率交互愈发复杂，严重威胁ADN的安全运行。动态等值的核心在于确定等值结构并完成参数辨识，其中负荷建模最为关键，其精度直接决定动态安全分析结论的正确性。现有方法存在明显局限：基于元件的方法耗时费力且难以适应时变负荷；基于测量的方法虽应用广泛，但传统参数辨识算法（如数学优化方法易陷入局部最优，进化算法鲁棒性差、收敛慢）难以满足在线辨识需求。近年来深度学习（DL）方法虽能平衡精度与实时性，但现有基于简单前馈或反馈神经网络的方案缺乏记忆单元，无法捕捉扰动的长期影响，且未考虑扰动与拓扑重构导致的ADN时变特性，仅关注电压/频率与功率的映射，忽略了电网空间特征变化，导致泛化能力不足。针对上述问题，研究人员提出了融合时空特征的多模态机器学习等值方法，相关成果发表于《IEEE Journal on Miniaturization for Air and Space Systems》。

关键技术方法

研究人员构建了双模块多模态融合架构：负荷建模模块采用门控循环单元（GRU）结合全连接（FC）层，以匹配负荷微分代数方程（DAE）的动态与静态特性；特征提取模块采用卷积神经网络（CNN）结合多头注意力（MHA）机制，利用CNN运算与牛顿拉夫逊潮流计算（NRPFC）在矩阵运算与迭代形式上的相似性，模拟潮流计算过程。输入数据包含边界母线5步时间窗内的电压幅值与相角，以及电网雅可比矩阵（由状态估计结果、拓扑结构与物理参数计算得出）作为空间特征输入。模态融合采用交叉注意力（Co-attention）机制实现两模块的互补信息交互，输出为边界母线的有功与无功功率。实验采用IEEE 14节点输电网分别接入IEEE 33节点与57节点配电网的测试系统，通过Simulink仿真生成包含三相短路、线路停运、拓扑重组等多种工况的PMU量测数据集。

研究结果

SECTION III.A 测试系统介绍

测试系统1由改进的IEEE 33节点配电网经节点15（配网）-16（输网）接入IEEE 14节点输电网构成；测试系统2由IEEE 57节点配电网经节点13（输网）-1（配网）接入IEEE 14节点输电网构成，均包含光伏、风机、燃气轮机等DG及多种静态负荷。仿真设置50Hz频率、50μs时域步长，选取ABC短路等严重扰动验证性能。

SECTION III.B 不同扰动位置与拓扑重构下的性能评估

采用均方根百分比误差（RMSPE）与单点相对绝对误差（RAEP）作为评价指标。结果显示，该方法在所有数据集上的RMSPE均低于1%，训练集与测试集精度差异极小，证明泛化性优异。具体而言，扰动位置远离边界母线时误差更低（如Do-17-18有功RMSPE为0.1984%），拓扑重构后动态响应发生变化但模型仍能精准跟踪（如测试集中Do-16-17-LO-37-38工况），表明CNN+注意力模块有效感知了拓扑变化。

SECTION III.C 不同扰动类型下的性能评估

在AG、AB、ABG、ABC、ABCG五种短路故障下，模型RMSPE均保持在较低水平，尤其在波形更复杂的ABG与AB短路中仍能精准拟合振荡阶段的有功与无功响应，验证了特征提取模块对不同物理变化的适应性。

SECTION III.D 测试系统2中的性能评估

在规模更大、DG渗透率更高的57节点配网系统中，五种典型扰动下的有功RMSPE最高为1.1716%，无功RMSPE最高为0.7820%；不同短路类型下的最大RMSPE亦控制在1.2%以内，证明方法适用于高DG渗透的大系统。

SECTION III.E 数据集规模的敏感性分析

数据集规模为12至40组时，RMSPE随规模增大先降后升，24至28组时精度与训练效率达到最优平衡，过小导致欠拟合，过大则引发过拟合。

SECTION III.F 与其他DL等值方法的性能对比

与ANN、RNN、LSTM及LSTM-CNN方法相比，该方法在含拓扑重构的复杂工况下拟合精度显著更优。LSTM-CNN精度次之但训练时间更长，验证了GRU比LSTM更适合表征负荷DAE；ANN训练最快但在严重工况下失效，RNN精度最差。该方法平均训练时间与LSTM相当，但精度更高，综合性能最优。

结论总结

研究人员提出的多模态机器学习等值方法，通过GRU+FC模块表征负荷DAE，通过CNN+注意力模块模拟NRPFC过程并利用雅可比矩阵提取空间特征，实现了对ADN动态行为的精准跟踪。该方法突破了现有DL方法忽略拓扑时变特性的局限，在含高比例DG、不同扰动类型与拓扑重构的多种工况下均保持优异的精度与泛化性，为ADN动态等值提供了兼具机理一致性与数据驱动优势的新范式。