《Electric Power Systems Research》：Photovoltaic hosting capacity assessment and violation prediction in electrical distribution networks
编辑推荐：
光伏并网容量评估中确定性方法与人工智能预测模型的结合研究，提出融合自动功率流模拟与ANN/RF/XGBoost模型的方法，通过Python-电力工厂接口在摩洛哥卡萨布兰卡真实配电网验证，发现ANN和随机森林模型在预测过电压和过载方面表现优异（R2＞0.99），XGBoost效果较弱。
Boutaina Talbi | Mounir Derri | Touria Haidi | Habiba Mahrouch
摩洛哥卡萨布兰卡哈萨尼亚公共工程学院（EHTP）系统工程实验室（LAGES）
摘要
将可再生能源，特别是光伏能源（PV），广泛整合到电力分配网络中，可能会对电力系统的质量和稳定性产生不利影响。本文提出了一种混合方法，该方法结合了确定性的技术来评估中压配电网络的承载能力（HC），同时考虑了过电压和过载等关键约束条件，并采用了基于人工智能模型的预测方法。这些模型包括人工神经网络（ANN）、随机森林（RF）和极端梯度提升（XGBoost），用于预测对电力网络电压和负载的潜在影响。该方法在摩洛哥卡萨布兰卡的真实配电网络上进行了实施，使用了Power Factory Dig SILENT仿真软件及其Python API接口。确定性方法得出的结果表明，配电网络的光伏承载能力受到其馈线固有特性的影响，包括电缆的截面积和长度。就预测方法而言，ANN和RF模型的预测结果非常有希望，其决定系数（R2）值在预测过电压和过载事件时超过了0.99。相比之下，XGBoost模型的结果相对较为一般。
引言
在过去的二十年里，太阳能光伏（PV）能源已成为满足全球能源需求快速增长的主要解决方案[1,2]。然而，光伏系统对电网提出了重大挑战，尤其是在规划和运行配电网络方面[3]。这些挑战主要源于将光伏能源整合到配电网络中可能带来的影响，如改变负载需求模式[4]、电压违规[5]、谐波失真[6]、配电网络过载[7,8]以及对保护继电器运行的不利影响[9]。已经进行了大量研究来应对这些挑战。表1总结了关于将光伏（PV）系统整合到配电网络中的最新研究。这些研究涵盖了不同的电压水平（高[10]、中[11,12]和低[13]、[14]、[15]、[16]），并采用了多种方法论方法（确定性的、概率性的和混合的），以解决与光伏承载能力（HC）相关的关键问题，包括过电压事件、导体热过载和高光伏渗透率下的反向功率流动。
尽管对光伏（PV）整合进行了广泛的研究，但仍存在两个根本性的差距。首先，大多数HC评估方法依赖于大量的确定性功率流仿真。虽然这些仿真在物理上是准确的，但在评估数千个光伏位置、规模和运行条件时计算需求较高。其次，尽管机器学习在太阳能预测和电压调节等应用中取得了显著进展，但对电网违规风险（如电压升高和热过载）的预测仍然研究不足。只有少数研究将真实的馈线仿真与数据驱动模型相结合，以促进快速的操作决策。
随着光伏（PV）渗透率的提高，这一差距的重要性日益凸显。当光伏注入量超过阈值时，馈线面临不可接受的电压偏差或过载风险，因此承载能力（HC）——即安全运行的最大光伏容量——成为关键的规划因素。传统的HC方法可以复制物理行为，但对光伏规模和位置导致的违规情况的了解有限，且在大规模情景分析中效率低下。
混合确定性-AI方法具有很大的潜力。像Dig SILENT Power Factory这样的工具中的确定性仿真可以产生准确的运行点，而训练有素的人工智能模型可以快速估计光伏情景下的电压升高和导体负载。这种组合显著加快了情景探索的速度，使得光伏互联请求的快速筛选成为可能，并增强了公用事业机构在高渗透率环境下预测违规风险的能力。然而，这样的混合框架很少在真实的中压馈线上进行验证，或者使用通过真实功率流仿真生成的数据集进行验证。
为了解决这一差距，本文提出了以下贡献：
(1).一种结合自动化功率流仿真和ANN、RF、XGBoost模型的混合确定性-数据驱动方法，用于确定光伏承载能力，并预测光伏集成下的电压升高和电缆负载。
(2).使用自动化的Python-Power Factory仿真在真实的中压馈线上生成了超过14,000个光伏注入情景的全面数据集，涵盖了多个光伏位置和注入水平。
(3).一个快速的预测框架，作为预防性操作工具，帮助公用事业机构筛选光伏连接请求并评估在不同集成情景下的承载能力。
本文的其余部分结构如下：第2节介绍了承载能力评估的方法；第3节将该方法应用于实际配电网络；第4节开发了所提出的基于AI的预测模型；第5节讨论了结果；第6节总结了研究。
部分摘录
承载能力约束
在电力分配网络中，基本的电气特性必须满足明确定义的阈值，以确保网络的连续性和服务质量[16]。在本研究中，我们特别关注了两个关键参数：电流和电压。
案例研究
为了使用前一节中概述的方法确定光伏承载能力，我们在摩洛哥卡萨布兰卡的电力分配网络中的三条馈线上进行了案例研究。选择这些馈线是基于它们的长度、截面和最大电流容量，如表2所示。所有导体均由铝制成。
仿真使用Power Factory运行了从1到50 MW的光伏注入情景。对于每条馈线，在一个特定点进行光伏注入
机器学习模型的情景构建
本节重点关注LAA D26这条中压馈线。所有情景都使用了自动化的Python-Power Factory工作流程。每次仿真都保持馈线处于固定的实际运行状态，代表一个没有时间变化的稳态负载快照。网络拓扑、导体截面、变压器设置、保护方案和所有运行参数保持不变；只有光伏的有功功率注入量会变化。
性能分析
为了确保模型之间的公平和一致比较，数据集被随机划分为80%用于训练，20%用于测试。使用Optuna进行超参数调整，每个模型使用特定的验证方案。对于随机森林和XGBoost，使用5折交叉验证来减少方差并防止过拟合。ANN使用单独的验证集（训练数据的10%）来监控收敛情况并避免训练过程中的性能下降。表6
结论
本研究提出了一种混合方法，用于评估光伏承载能力及其对配电网络的影响，重点关注电压和负载限制。该方法将确定性仿真与AI预测模型相结合。
该自动化方法分析了卡萨布兰卡的14,000个光伏注入情景，生成了一个数据集来预测过电压和过载情况。结果证实了该方法在预测大规模光伏集成期间网络问题方面的有效性。
表现最好的模型是随机森林和人工神经网络
CRediT作者贡献声明
Boutaina Talbi：撰写——原始草稿、软件开发、方法论设计、调查、数据分析、概念化。
Mounir Derri：撰写——审稿与编辑、可视化、验证、监督、资源管理、项目协调。
Touria Haidi：撰写——审稿与编辑、验证、监督、资源管理、项目协调。
Habiba Mahrouch：撰写——审稿与编辑、验证、监督。
