近日，IEEE旗舰期刊Proceedings of the IEEE刊出了由清华大学电机系智慧能源课题组撰写的18页研究长文“Data-driven Security and Stability Rule in High Renewable Penetrated Power System Operation”。该论文刊出在由清华大学康重庆教授领衔，与帝国理工学院Timothy C. Green教授、华盛顿大学Daniel S. Kirschen教授联合组织的“智能电网演进（The Evolution of Smart Grids）”专刊。论文第一作者及通讯作者为电机系张宁副教授。

Proceedings of the IEEE 期刊论文宣传页

新型电力系统的重要特征是高比例新能源并网。高比例新能源并网为新型电力系统给电力系统带来两方面的挑战：一方面，多样化的发电机组给电网调度运行带来巨大的随机性与不确定性，电力系统典型运行方式增多，传统方法难以同时保证长期与短期的电力电量平衡；另一方面，高比例新能源通过电力电子设备接入电力系统，是电力系统的安全稳定机理复杂化，为电力系统安全稳定运行带来巨大挑战。

在此背景下，该论文总结了一套数据驱动的电力系统安全稳定规则提取与内嵌优化运行方法。通过仿真生成海量运行场景与高信息安全稳定数据集，基于可解释的数据驱动模型学习电力系统安全稳定规则，刻画解析化的安电力系统安全稳定边界，然后通过凸化线性化或者引入零一变量的方式，将高精度数据驱动模型转化为可内嵌电力系统优化运行的规则，在运行优化中考虑安全稳定约束，保证系统的安全稳定运行。

论文研究框架

论文首先分析了高比例新能源对电力系统安全稳定性的影响，指出高比例新能源对频率稳定、电压稳定、功角稳定等问题的影响特点，然后综述了数据驱动的电力系统安全稳定评估方法，重点关注能够用来刻画电力系统安全稳定边界的各种机器学习方法，最后针对各种机器学习模型提出了将机器学习模型转化为可内嵌优化运行的安全稳定约束的方法，通过实际电力系统仿真验证了所提方法能够在运行层面提升电力系统安全稳定性。

电力系统安全稳定规则提取结果示意图

论文结尾总结了相关工作的两方面优点：数据驱动方法具有非常强的灵活能，能够适用于各种新型电力系统面临的各种安全稳定问题；内嵌安全稳定规则并不影响传统电力系统优化运行的数据模型，数据驱动方法可以丝滑地集成到现有方法框架中。而后，论文也展望了所提方法未来发展的四个方向：探索更具可解释性的机器学习模型，将数据驱动模型与模型驱动的方法相结合，坚持在优化中考虑系统的安全稳定性，确保数据驱动的规则在优化运行中的泛化能力。

团队合影

引文信息：

Ning Zhang, Hongyang Jia, Qingchun Hou, Ziyang Zhang, Tian Xia, Xiao Cai, Jiaxin Wang, Data-Driven Security and Stability Rule in High Renewable Penetrated Power System Operation, in Proceedings of the IEEE, 2022, doi: 10.1109/JPROC.2022.3192719..

Proceedings of the IEEE网站论文介绍页：

https://proceedingsoftheieee.ieee.org/data-driven-security-and-stability-rule-in-high-renewable-penetrated-power-system-operation/