基于人工智能的直流微电网大信号稳定性评估方法研究

doi:10.12096/j.2096-4528.pgt.24074

发电技术 ›› 2025, Vol. 46 ›› Issue (3): 496-507.DOI: 10.12096/j.2096-4528.pgt.24074

• AI在新型电力系统中的应用 • 上一篇

基于人工智能的直流微电网大信号稳定性评估方法研究

刘宿城¹^,², 栾李¹^,², 李龙¹^,², 洪涛¹^,², 刘晓东¹^,²

^1.安徽工业大学电气与信息工程学院，安徽省马鞍山市 243000
^2.电力电子与运动控制安徽省重点实验室(安徽工业大学)，安徽省马鞍山市 243000

收稿日期:2024-12-22 修回日期:2025-02-05 出版日期:2025-06-30 发布日期:2025-06-16
作者简介:刘宿城(1981)，男，博士，教授，研究方向为直流微电网与电力电子系统建模、稳定性分析与控制，liusucheng@126.com；
栾李(1998)，男，硕士研究生，研究方向为直流微电网建模与大信号稳定性分析， luanli510@126.com；
李龙(1999)，男，硕士研究生，研究方向为直流微电网大信号稳定性分析，lilonghaha2020@163.com；
洪涛(1999)，男，硕士研究生，研究方向为直流微电网建模与小信号稳定性分析，hongtao@ahut.edu.cn；
刘晓东(1971)，男，博士，教授，研究方向为DC-DC开关变换器和电机设计，liuxiaodong@ahut.edu.cn。
基金资助:
国家自然科学基金面上项目(52277169)

Research on Large-Signal Stability Assessment Methods of DC Microgrids Based on Artificial Intelligence

Sucheng LIU¹^,², Li LUAN¹^,², Long LI¹^,², Tao HONG¹^,², Xiaodong LIU¹^,²

^1.School of Electrical and Information Engineering, Anhui University of Technology, Maanshan 243000, Anhui Province, China
^2.Key Lab of Power Electronics and Motion Control (Anhui University of Technology), Maanshan 243000, Anhui Province, China

Received:2024-12-22 Revised:2025-02-05 Published:2025-06-30 Online:2025-06-16
Supported by:
National Natural Science Foundation of China(52277169)

摘要/Abstract

摘要：

目的直流微电网因低惯性和恒功率负载特性易引发大信号稳定性问题，传统基于模型的方法计算复杂、求解困难。针对上述问题，探讨了直流微电网的大信号稳定性智能化分析方法。方法选取常见的人工智能技术分类器对直流微电网的稳定性进行分析，并比较分析深度学习、支持向量机和决策树3类(涵盖6种)常见的人工智能技术在具体直流微电网实例中的大信号稳定性评估的应用。结果基于具体实例的对比分析表明，在直流微电网大信号稳定性评估中，长短期记忆网络在综合性能（准确性、实时性、适应性）上优于其他方法。结论长短期记忆网络分类器与直流微电网的状态空间方程具有高匹配性，比传统的机器学习分类器更适用于直流微电网大信号稳定性的分析。同时，确保分类器的工作性能需选择适当的参数值。

关键词: 直流微电网, 分布式能源, 可再生能源, 储能, 人工智能(AI), 机器学习, 深度学习, 长短期记忆网络

Abstract:

Objectives DC microgrids are prone to the issue of large-signal stability due to the low inertia and constant power load characteristics. Traditional model-based methods involve complex calculations and are difficult to solve. To address these issues, this study investigates intelligent analysis methods for large-signal stability of DC microgrids. Methods Common artificial intelligence (AI) classifiers are selected to analyze the stability of DC microgrids. A comparative analysis is conducted on three types of common AI technologies (covering six methods)-deep learning, support vector machine, and decision trees-for large-signal stability assessment in a specific DC microgrid case study. Results Comparative analysis based on specific examples shows that in the large-signal stability assessment of DC microgrids, long short-term memory (LSTM) networks outperform other methods in terms of overall performance (accuracy, real-time capability, and adaptability). Conclusions The LSTM network classifier shows high compatibility with the state-space equations of DC microgrids, making it more suitable than traditional machine learning classifiers for large-signal stability analysis of DC microgrids. Meanwhile, ensuring the performance of the classifier requires appropriate selection of parameter values.

Key words: DC microgrids, distributed energy resources, renewable energy, energy storage, artificial intelligence(AI), machine learning, deep learning, long short-term memory network

中图分类号:

TK 01

刘宿城, 栾李, 李龙, 洪涛, 刘晓东. 基于人工智能的直流微电网大信号稳定性评估方法研究[J]. 发电技术, 2025, 46(3): 496-507.

Sucheng LIU, Li LUAN, Long LI, Tao HONG, Xiaodong LIU. Research on Large-Signal Stability Assessment Methods of DC Microgrids Based on Artificial Intelligence[J]. Power Generation Technology, 2025, 46(3): 496-507.

图/表 15

参考文献 28

1	ASANO H， HATZIARGYRIOU N， IRAVANI R，et al ．Microgrids：an overview of ongoing research， development， and demonstration projects[J]．IEEE Power and Energy Magazine，2007，5(47)：78-94． doi:10.1109/mpae.2007.376583
2	米阳，顾符亦可，李春煦，等．基于自适应分段双下垂的孤岛交直流混合微电网功率协调控制[J]．电力建设，2025，46(1)：86-96．
	MI Y， GU F Y K， LI C X，et al ．Control strategy of islanded AC/DC hybrid microgrid power system based on adaptive segmented double-droop[J]．Electric Power Construction，2025，46(1)：86-96．
3	李金超，鹿世强，兰心怡，等．计及需求响应动态特性的分布式智能电网运行优化方法研究[J]．电网与清洁能源，2024，40(8)：103-111．
	LI J C， LU S Q， LAN X Y，et al ．Research on optimization of distributed smart grid operation considering dynamic characteristics of demand response[J]．Power System and Clean Energy，2024，40(8)：103-111．
4	侯峰，冯洋，刘垚，等．基于扰动补偿线性自抗扰的直流微电网接口变换器寻优控制[J]．电网与清洁能源，2024，40(7)：114-123． doi:10.3969/j.issn.1674-3814.2024.07.014
	HOU F， FENG Y， LIU Y，et al ．Optimization control of the DC microgrid interface converter based on disturbance compensation and linear active disturbance rejection control[J]．Power System and Clean Energy，2024，40(7)：114-123． doi:10.3969/j.issn.1674-3814.2024.07.014
5	陈旭，皇金锋，李聪林．双极性直流微电网的改进型高阶滑模自抗扰控制[J]．电力系统保护与控制，2024，52(9)：111-122．
	CHEN X， HUANG J F， LI C L ．Improved high-order sliding mode active disturbance rejection control for bipolar DC microgrids[J]．Power System Protection and Control，2024，52(9)：111-122．
6	王久和，王勉，吴学智，等．直流分布式电源系统稳定性判据研究综述[J]．发电技术，2020，41(2)：175-185． doi:10.12096/j.2096-4528.pgt.19066
	WANG J H， WANG M， WU X Z，et al ．Review of stability criteria study for direct current distributed power system[J]．Power Generation Technology，2020，41(2)：175-185． doi:10.12096/j.2096-4528.pgt.19066
7	DRAGICEVIC T， LU X， VASQUEZ J，et al ．DC microgrids-part I：a review of control strategies and stabilization techniques[J]．IEEE Transactions on Power Electronics，2015：31(7)：1-1． doi:10.1109/tpel.2015.2464277
8	周勤勇，李根兆，秦晓辉，等．能源革命下的电力系统范式转换分析[J]．中国电力，2024，57(3)：1-11． doi:10.11930/j.issn.1004-9649.202311115
	ZHOU Q Y， LI G Z， QIN X H，et al ．Analysis of power system paradigm shift under energy revolution[J]．Electric Power，2024，57(3)：1-11． doi:10.11930/j.issn.1004-9649.202311115
9	王锐，赵学深，张新慧，等．基于虚拟惯性参数可行域的直流微电网高频振荡抑制[J]．中国电力，2024，57(10)：123-132．
	WANG R， ZHAO X S， ZHANG X H，et al ．Virtual inertia parameter feasible region based high-frequency oscillation suppression of DC microgrid[J]．Electric Power，2024，57(10)：123-132．
10	李可然，刘继春，杨瑞琳，等．计及下垂曲线与储能的孤岛微电网分级调度策略[J]．电力科学与技术学报，2024，39(2)：223-230． doi:10.19781/j.issn.1673-9140.2024.02.025
	LI K R， LIU J C， YANG R L，et al ．Hierarchical dispatching strategy of islanded microgrid considering droop curve and energy storage[J]．Journal of Electric Power Science and Technology，2024，39(2)：223-230． doi:10.19781/j.issn.1673-9140.2024.02.025
11	张琳，谢洪途，赵路路，等．混合能源直流微电网能源优化管控策略研究[J]．电力系统保护与控制，2024，52(3)：141-151．
	ZHANG L， XIE H T， ZHAO L L，et al ．Energy optimization and control strategy for a hybrid energy DC microgrid[J]．Power System Protection and Control，2024，52(3)：141-151．
12	颜勤，余国翔．光储充建一体站微电网研究综述[J]．电力科学与技术学报，2024，39(1)：1-12．
	YAN Q， YU G X ．Research review on microgrid of integrated photovoltaic-energy storage-charging station[J]．Journal of Electric Power Science and Technology，2024，39(1)：1-12．
13	卢昕，陈众励，李辉．基于自抗扰控制的直流微电网双向Buck-Boost变换器控制策略研究[J]．发电技术，2021，42(2)：193-200． doi:10.12096/j.2096-4528.pgt.20123
	LU X， CHEN Z L， LI H ．Research on control strategy of bidirectional buck-boost converter in DC microgrid based on active disturbance rejection control[J]．Power Generation Technology，2021，42(2)：193-200． doi:10.12096/j.2096-4528.pgt.20123
14	郑凯元，杜文娟，王海风．聚合恒功率负荷对直流微电网稳定性影响的阻抗法分析[J]．电网技术，2021，45(1)：134-148． doi:10.13335/j.1000-3673.pst.2020.0830
	ZHENG K Y， DU W J， WANG H F ．DC microgrid StabilityAffected by aggregated constant power loads based on impedance method[J]．Power System Technology，2021，45(1)：134-148． doi:10.13335/j.1000-3673.pst.2020.0830
15	LI Z， PEI W， YE H，et al ．Large signal stability analysis for DC microgrid under droop control based on mixed potential theory[J]．The Journal of Engineering，2019(16)：1189-1193． doi:10.1049/joe.2018.8574
16	XIE W， HAN M， CAO W，et al ．System-level large-signal stability analysis of droop-controlled DC microgrids[J]．IEEE Transactions on Power Electronics，2021，36(4)：4224-4236． doi:10.1109/tpel.2020.3019311
17	滕昌鹏，王玉斌，周博恺，等．含恒功率负载的直流微网大信号稳定性分析[J]．电工技术学报，2019，34(5)：973-982． doi:10.19595/j.cnki.1000-6753.tces.L80648
	TENG C P， WANG Y B， ZHOU B K，et al ．Large-signal stability analysis of DC microgrid with constant power loads[J]．Transactions of China Electrotechnical Society，2019，34(5)：973-982． doi:10.19595/j.cnki.1000-6753.tces.L80648
18	LIU S， LI X， XIA M，et al ．Takagi-sugeno multimodeling-based large signal stability analysis of DC microgrid clusters[J]．IEEE Transactions on Power Electronics，2021，36(11)：12670-12684． doi:10.1109/tpel.2021.3076734
19	刘宿城，李响，秦强栋，等．直流微电网集群的大信号稳定性分析[J]．电工技术学报，2022，37(12)：3132-3147．
	LIU S C， LI X， QIN Q D，et al ．Large signal stability analysis for DC microgrid clusters[J]．Transactions of China Electrotechnical Society，2022，37(12)：3132-3147．
20	ALIMI O A， OUAHADA K， ABU-MAHFOUZ A M ．A review of machine learning approaches to power system security and stability[J]．IEEE Access，2020，8：113512-113531． doi:10.1109/access.2020.3003568
21	AZMAN S K， ISBEIH Y J， MOURSI M S EL，et al ．A unified online deep learning prediction model for small signal and transient stability[J]．IEEE Transactions on Power Systems，35(6)：4585-4598． doi:10.1109/tpwrs.2020.2999102
22	HUANG T， GAO S， XIE L ．A neural Lyapunov approach to transient stability assessment of power electronics-interfaced networked microgrids[J]．IEEE Transactions on Smart Grid，2022，13(1)：106-118． doi:10.1109/tsg.2021.3117889
23	杨建，刘笑，董密，等．基于深度学习的恒功率负荷直流微电网稳定性分析[J]．电力系统自动化，2023，47(15)：188-197． doi:10.7500/AEPS20221222001
	YANG J， LIU X， DONG M，et al ．Deep learning based stability analysis of DC microgrid with constant power loads[J]．Automation of Electric Power Systems，2023，47(15)：188-197． doi:10.7500/AEPS20221222001
24	卫广宇，应笑冬，姚延军，等．计及荷电状态的并网型直流微电网功率协同控制策略[J/OL]．发电技术，2024：1-9．．
	WEI G Y， YING X D， YAO Y J， ai et. Power coordinated control strategy for grid-connected DC microgrid considering state-of-charge [J/OL]．Power Generation Technology，2024：1-9．．
25	朱晓荣，孟凡奇．含虚拟惯性控制的直流微电网稳定性分析[J]．电网技术，2020，44(1)：208-218． doi:10.13335/j.1000-3673.pst.2019.0786
	ZHU X R， MENG F Q ．Stability analysis of DC microgrid with virtual inertia control[J]．Power System Technology，2020，44(1)：208-218． doi:10.13335/j.1000-3673.pst.2019.0786
26	付红军，朱劭璇，王步华，等．基于长短期记忆神经网络的检修态电网低频振荡风险预测方法[J]．发电技术，2024，45(2)：353-362． doi:10.12096/j.2096-4528.pgt.22152
	FU H J， ZHU S X， WANG B H，et al ．Risk prediction method of low frequency oscillation in maintenance power network based on long short term memory neural network[J]．Power Generation Technology，2024，45(2)：353-362． doi:10.12096/j.2096-4528.pgt.22152
27	SARAJCEV P， KUNAC A， PETROVIC G，et al ．Power system transient stability assessment using stacked autoencoder and voting ensemble[J]．Energies，2021，14(11)：3148． doi:10.3390/en14113148
28	封钰，宋佑斌，金晟，等．基于随机森林算法和粗糙集理论的改进型深度学习短期负荷预测模型[J]．发电技术，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
	FENG Y， SONG Y B， JIN S，et al ．Improved deep learning model for forecasting short-term load based on random forest algorithm and rough set theory[J]．Power Generation Technology，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013

分类器	实际状态	预测状态
分类器	实际状态	不稳定数量/个	稳定数量/个
DT	不稳定	274	18
DT	稳定	27	203
RF	不稳定	276	16
RF	稳定	18	212
ET	不稳定	276	16
ET	稳定	12	218
SVM	不稳定	288	4
SVM	稳定	2	228
ANN	不稳定	290	2
ANN	稳定	5	225
LSTM	不稳定	291	1
LSTM	稳定	4	226

分类器	实际状态	预测状态
分类器	实际状态	不稳定数量/个	稳定数量/个
DT	不稳定	274	18
DT	稳定	27	203
RF	不稳定	276	16
RF	稳定	18	212
ET	不稳定	276	16
ET	稳定	12	218
SVM	不稳定	288	4
SVM	稳定	2	228
ANN	不稳定	290	2
ANN	稳定	5	225
LSTM	不稳定	291	1
LSTM	稳定	4	226

指标	分类器
指标	DT	RF	ET	SVM	ANN	LSTM
准确率/%	91.379 3	93.486 6	94.636 0	98.850 6	98.659 0	99.042 1
精确率/%	91.855 2	92.982 5	93.162 4	98.275 9	99.118 9	99.559 5
召回率/%	88.260 9	92.173 9	94.782 6	99.130 4	97.826 1	98.260 9
F1分数	90.022 2	92.576 4	93.965 5	98.701 3	98.468 3	98.905 9
杰卡德相似系数	81.854 8	86.178 9	88.617 9	97.435 9	96.982 8	97.835 5
乌修斯相似系数	82.489 9	86.777 2	89.149 3	97.673 4	97.282 5	98.060 9
ROC曲线下面积	91.048 2	93.347 2	94.651 6	98.880 3	98.570 6	98.959 2
布莱尔评分	0.086 21	0.046 15	0.053 23	0.007 86	0.010 14	0.006 66

指标	分类器
指标	DT	RF	ET	SVM	ANN	LSTM
准确率/%	91.379 3	93.486 6	94.636 0	98.850 6	98.659 0	99.042 1
精确率/%	91.855 2	92.982 5	93.162 4	98.275 9	99.118 9	99.559 5
召回率/%	88.260 9	92.173 9	94.782 6	99.130 4	97.826 1	98.260 9
F1分数	90.022 2	92.576 4	93.965 5	98.701 3	98.468 3	98.905 9
杰卡德相似系数	81.854 8	86.178 9	88.617 9	97.435 9	96.982 8	97.835 5
乌修斯相似系数	82.489 9	86.777 2	89.149 3	97.673 4	97.282 5	98.060 9
ROC曲线下面积	91.048 2	93.347 2	94.651 6	98.880 3	98.570 6	98.959 2
布莱尔评分	0.086 21	0.046 15	0.053 23	0.007 86	0.010 14	0.006 66

时间	分类器
时间	DT	RF	ET	SVM	ANN	LSTM
训练时间	0.084	0.481	0.324	4.359	8.749	28.180
测试时间	0.005	0.007	0.009	0.010	0.099	0.258

基于人工智能的直流微电网大信号稳定性评估方法研究

Research on Large-Signal Stability Assessment Methods of DC Microgrids Based on Artificial Intelligence

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 15

参考文献 28

相关文章 15

编辑推荐

Metrics

分类器	训练集大小	隐藏层数量/个	神经单元数量/个	迭代次数
A	2 086	2	64	500
B	1 397	2	64	500
C	698	2	64	500
D	2 086	3	64	500
E	2 086	4	64	500
F	2 086	2	32	500
G	2 086	2	128	500
H	2 086	2	64	250
I	2 086	2	64	750

参数	数据1	数据2	数据3	数据4	数据5
K_pll_j	0.65	0.36	0.29	0.88	0.29
K_pv_j	0.70	0.23	0.73	0.87	0.62
R_d_j	0.12	0.17	0.18	0.19	0.08
C_o_j/mF	2.22	1.60	1.84	1.66	2.03
r_o_j/Ω	0.026	0.013	0.024	0.024	0.022
L_o_j/mH	0.31	0.44	0.44	0.34	0.45
C_bus/mF	1.91	1.62	1.84	2.02	1.82

[1]	张俊, 蒲天骄, 高文忠, 刘友波, 裴玮, 许沛东, 高天露, 白昱阳. 电力系统智能计算的关键技术及应用展望[J]. 发电技术, 2025, 46(3): 421-437.
[2]	张祖菡, 刘敦楠, 凡航, 杨柳青, 段赟杰, 李赟, 马振宇. 基于大语言模型的电力系统预测技术研究综述[J]. 发电技术, 2025, 46(3): 438-453.
[3]	徐浩然, 张瑾昀, 马歆, 雷文强, 曹杰铭. 基于大语言模型的图检索增强生成技术在核电领域的应用与展望[J]. 发电技术, 2025, 46(3): 454-466.
[4]	陈艺璇, 王嘉阳, 卓映君, 卢斯煜, 周保荣. 人工智能在电力系统运行模拟加速中的应用综述[J]. 发电技术, 2025, 46(3): 467-481.
[5]	杨博, 张子健. 基于人工智能的可再生能源电解水制氢关键技术及发展前景分析[J]. 发电技术, 2025, 46(3): 482-495.
[6]	侯朗博, 孙昊, 陈衡, 高悦. 基于需求响应与Stackelberg博弈的小区综合能源系统优化调度[J]. 发电技术, 2025, 46(2): 219-230.
[7]	刘忠, 黄彦铭, 朱光明, 邹淑云. 含风-光-电氢混合储能的多微电网系统容量优化配置方法[J]. 发电技术, 2025, 46(2): 240-251.
[8]	张立栋, 杨智翔, 李文锋, 冯江哲, 张博, 任淮辉, 陈哲, 王兆新. 导流板对水平轴风力机气动特性影响的数值模拟研究[J]. 发电技术, 2025, 46(2): 336-343.
[9]	雷基林, 余林兴, 别玉, 徐稚博, 肖雨寒. 孤岛微电网能量管理系统研究综述[J]. 发电技术, 2025, 46(2): 370-385.
[10]	李亚楼, 赵飞, 樊雪君. 构网型储能及其应用综述[J]. 发电技术, 2025, 46(2): 386-398.
[11]	胡山鹰, 金涌, 张臻烨. 发展新质生产力，实现碳中和[J]. 发电技术, 2025, 46(1): 1-8.
[12]	刘忠, 周泽华, 邹淑云, 刘圳, 乔帅程. 基于知识蒸馏-卷积神经网络的水轮机空化状态识别方法[J]. 发电技术, 2025, 46(1): 161-170.
[13]	兰国芹, 陆烨, 阚严生, 张继广, 王欢欢, 钟芳, 王承才, 肖黎明, 王照阳. 综合能源服务发展趋势与对策研究[J]. 发电技术, 2025, 46(1): 19-30.
[14]	匡洪海, 郭茜. 基于多特征提取-卷积神经网络-长短期记忆网络的短期风电功率预测方法[J]. 发电技术, 2025, 46(1): 93-102.
[15]	王婷, 王银顺, 郭丽宁, 卞雨妍, 连占英, 李乐依, 毛承鹏. 稀土钡铜氧化物闭环超导葫芦形环片堆叠磁体的机械特性分析[J]. 发电技术, 2024, 45(6): 1039-1047.