找到 3 条结果
PowerFlowMultiNet：用于不平衡三相配电系统的多图神经网络
PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems
Salah Ghamizi · Jun Cao · Aoxiang Ma · Pedro Rodriguez · IEEE Transactions on Power Systems · 2024年9月
高效求解配电网中的三相不平衡潮流对于电网分析和仿真至关重要。迫切需要能够处理大规模不平衡电网的可扩展算法，以提供准确、快速的解决方案。为此，深度学习技术，尤其是图神经网络（GNN）应运而生。然而，现有文献主要集中在平衡网络，在支持三相不平衡电网方面存在重大空白。本文介绍了 PowerFlowMultiNet，这是一种专门为三相不平衡电网设计的新型多图 GNN 框架。该方法在多图表示中分别对每一相进行建模，有效捕捉了不平衡电网的固有不对称性。引入了一种利用消息传递的图嵌入机制，以捕捉电力系统网络内...
解读: 该多图神经网络潮流计算技术对阳光电源配电侧产品具有重要应用价值。在PowerTitan大型储能系统并网场景中，可实时分析三相不平衡工况下的潮流分布，优化ST系列储能变流器的三相功率调度策略，提升不平衡补偿能力。对于分布式光伏集群（SG逆变器阵列），该算法可快速评估不对称故障下的系统状态，为iSola...
基于物理信息强化学习的可再生能源实时最优潮流控制
Physics-Informed Reinforcement Learning for Real-Time Optimal Power Flow With Renewable Energy Resources
Zhuorui Wu · Meng Zhang · Song Gao · Zheng-Guang Wu 等5人 · IEEE Transactions on Sustainable Energy · 2024年8月
针对可再生能源大规模接入带来的强不确定性，电力系统调度对实时性提出了更高要求。为实现实时环境下经济且可行的发电运行，本文提出一种基于约束强化学习（CRL）的物理信息强化学习（PIRL）方法用于最优潮流（OPF）求解。该方法设计了基于潮流方程的物理信息执行器，确保生成满足等式约束的发电方案，并通过在策略梯度中引入不等式约束来修正不可行动作。特别地，与传统CRL中使用网络逼近不同，所提方法可直接基于执行器输出精确计算约束相关成本。在IEEE 118节点系统上的仿真结果表明，该方法在获得相近发电成本的...
解读: 该物理信息强化学习技术对阳光电源储能与光伏并网系统具有重要应用价值。针对PowerTitan大型储能系统和SG系列光伏逆变器的实时功率调度，该方法可嵌入iSolarCloud云平台，实现毫秒级最优潮流计算，显著优于传统优化算法。其约束强化学习框架可直接应用于储能变流器的多目标协调控制，在满足电网安全...
面向最少控制数量的超大规模电网热过载缓解方法
Toward Minimal Number of Controls for Thermal Violation Mitigation for Very Large-Scale Grids
Lin Zeng · Hsiao-Dong Chiang · Dong Liang · IEEE Transactions on Power Systems · 2025年9月
为快速消除输电线路热过载以保障系统安全，需高效计算控制措施。本文提出一种新颖的两阶段方法，用于在大规模电网中快速求解最小控制动作集合，并在45000节点系统上以2秒内完成计算。第一阶段提取相关子网络，第二阶段采用迭代可行性检验（IFC）方法确定子网内最少控制数量。该方法综合考虑交流有功与无功潮流方程及混合整数非线性规划（MINLP）模型，常可达到全局最优。通过多规模系统测试，验证了方法的可扩展性与有效性，计算速度较传统方法提升三个数量级，且显著减少所需控制动作，适用于在线应用。
解读: 该超大规模电网热过载快速缓解技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。文中提出的两阶段最小控制动作算法可直接应用于储能系统的电网支撑功能：当检测到输电线路过载时，通过子网络提取和迭代可行性检验，在2秒内快速确定最少数量的储能单元参与有功/无功调节，避免全站响应造...