面向弹性电网的智能分区技术综述：机器学习与深度学习的融合与应用

《IEEE Open Access Journal of Power and Energy》：Advancing Coherent Power Grid Partitioning: A Review Embracing Machine and Deep Learning

　　为解决大规模可再生能源并网背景下电力系统崩溃风险加剧、连锁故障频发的问题，研究人员开展了关于电力电网分区（PGP）的前沿综述研究。文章系统梳理了基于机器学习和深度学习的先进分区策略，深入探讨了其基本原理、性能量化指标、受控孤岛（ICI）及同调性充分性，并比较了各类方法的优劣。该研究为电力系统研究人员提供了主流分区技术的全景视图，有助于选择最合适的聚类算法，对提升电网韧性与可靠性具有重要意义。

　　

随着全球能源转型的加速，电力系统正变得前所未有的复杂和互联。可再生能源（RES）的大规模接入，虽然为清洁能源发展注入了活力，却也给电网的稳定运行带来了严峻挑战。其固有的间歇性和波动性，使得电网更易受到扰动，甚至引发大规模的连锁故障，导致灾难性的大停电。近年来，从美国德州到欧洲电网，一系列严重的停电事故不断警示我们，现代电力系统在面对意外事件时显得尤为脆弱。报告显示，德州电网曾距离全面崩溃仅剩4.37分钟，这凸显了提升电网韧性的紧迫性。在此背景下，如何将庞大的互联电网科学地划分为多个既能独立稳定运行又能协同互动的分区，即电力电网分区（PGP），成为了电力工程领域一个至关重要的研究课题。传统的分区方法多依赖于地理区域和长期运行经验，难以适应现代电网的动态特性。因此，探索能够智能、快速、自适应地完成电网分区的新方法，对于构建具有自愈能力的坚强智能电网至关重要。

为了系统回答这一问题，研究人员Mohamed Massaoudi等在《IEEE Open Access Journal of Power and Energy》上发表了题为“Advancing Coherent Power Grid Partitioning: A Review Embracing Machine and Deep Learning”的综述文章。本研究并未涉及具体的样本队列或实验操作，其核心方法是基于文献的系统性回顾与分析。研究团队从Web of Science (WoS)、Scopus、IEEE Xplore等多个权威数据库系统搜集了相关文献，并采用基于关键词组合（如PGP、MLC、DLC、GTC等）的布尔检索策略，确保了综述的全面性和前沿性。在此基础上，文章对电力电网分区的基本原理、性能量化指标（如模块度Q_e、割集权重）、受控孤岛（ICI）的操作范式以及发电机同调性识别等核心概念进行了深入阐述。进而，重点梳理和比较了基于优化算法（如遗传算法GA、生物地理学优化BBO）、机器学习聚类（MLC，如谱聚类SC、亲和力传播AP、层次聚类AHC）以及深度学习聚类（DLC，如图卷积网络GCN、深度嵌入聚类DEC）等先进分区策略的技术特点、适用场景与局限性。

II. 电网分区：背景知识

该部分奠定了电力电网分区的理论基础。文章指出，分区的基本目标是将电力系统图G划分为m个独立的、非重叠的孤岛I_k。每个孤岛必须满足严格的条件，例如包含至少一台黑启动发电机（公式1），内部节点紧密连接而分区之间连接稀疏，并具备维持自身电压和频率稳定的能力。文章介绍了用于评估分区质量的电气模块度Q_e（公式2）等量化指标，并讨论了传统方法（如Girvan-Newman, GN算法）及其改进版本在分区中的应用与局限性，指出其计算贪婪性或分辨率限制等问题。

III. 受控孤岛与同调性充分性

受控孤岛（ICI）是防止 cascading failures（连锁故障）的关键最后一道防线。其核心思想是在系统即将失稳时，主动断开特定联络线，将电网分割成多个内部稳定的孤岛。如图2所示，文章详细描述了ICI的决策与实施流程，从识别 islanding 必要性（t_{necessity to island}）到执行分割（t_implemented），再到孤岛内稳定化（t_{computational}）及最终恢复并网。数学模型上，ICI被表述为一个最小化割集（公式5）边权重（如活跃功率流绝对值之和，公式4）的优化问题，同时确保每个孤岛内包含预先由同调性算法识别的同调发电机群。同调性是指发电机在扰动后转子角或频率变化的一致性，通常通过相角差Δθ_i(t)-Δθ_j(t)是否小于阈值ξ来判断。文章还介绍了一种基于典型性数据分析（TDA）的同调性识别方法，通过计算节点的偏心度和典型性来辨识行为相似的母线群。

IV. PGP对物理电网运行的影响

该部分分析了分区对电网物理运行的深远影响。分区改变了网络拓扑，导致每个孤岛内的潮流（公式10）、频率动态（公式11）和电压特性（公式12）必须重新计算和平衡。文章通过线性化潮流方程（公式13, 14）等模型指出，分区后系统惯性减小可能导致频率波动加剧，部分孤岛可能面临无功资源不足引起的电压稳定问题，保护系统的整定也需要重新配置。这凸显了分区方案设计必须辅以先进的建模、仿真和控制策略。

V. 电力系统中的先进PGP策略

文章提出了一个清晰的PGP方法分类法（图3），并详细评述了各类方法。

A. 基于优化的聚类

涵盖了如遗传算法（GA）、传播优化方法（PBOA）等。这些方法通过定义目标函数（如最小化最大功率不平衡度，公式16；或优化黑启动分区连接，公式17）来寻找最优分区方案，但常面临高计算复杂度或陷入局部最优的挑战。

B. 基于机器学习的聚类

MLC方法（图4）利用数据驱动方式发现电网中的隐藏模式。文章综述了K-means、DBSCAN、层次聚类（AHC）、谱聚类（SC）、亲和力传播（AP）等多种算法。特别指出，将图论（如拉普拉斯矩阵L、奇异值分解SVD、特征间隙向量e用于确定最佳分区数k）与MLC结合（公式18-22），能显著提升分区的准确性和效率。表4展示了这些方法在不同测试系统（如IEEE 9, 39, 118总线系统）上的应用案例和性能。

C. 基于深度学习的聚类

DLC是更前沿的方向。文章介绍了自编码器（AE）、变分深度嵌入（VaDE）、图卷积网络（GCN）等模型（图5）。其损失函数通常结合表示学习损失?_R和聚类损失?_C。例如，基于GCN的分区方法通过最小化包含归一化割损失（公式25）、负荷-发电不平衡损失等在内的总损失函数（公式26）来实现端到端的智能分区。表5对比了不同DLC模型的优缺点。GTC方法则直接基于电网的图结构（节点为母线，边为线路，权重可由导纳矩阵Y=G+jB定义）进行分区，具有物理意义明确、计算高效（据称万节点系统仅需30秒）的优点。

结论与意义

文章最后总结了当前PGP研究面临的开放性问题与未来方向。主要挑战包括：现有算法需更好地满足电网电气特性（如电压水平、功率流模式）而不仅是拓扑结构；需要开发能适应实时变化、处理不规则集群形状、减少对人工参数依赖的鲁棒算法；必须考虑分区过程中的数据安全与隐私问题；核心挑战是在分区的同时保持各孤岛及整个系统的动态稳定性、电压频率稳定性以及发电负荷平衡。未来研究应聚焦于自适应、数据驱动和优化的分区技术，充分利用大数据工具，并借鉴图神经网络（GNNs）、强化学习等先进人工智能方法，以平衡降低网损、确保稳定、促进负荷平衡等多重竞争目标。

该综述的重要意义在于，它首次全面整合了机器学习和深度学习技术在电力电网分区领域的最新进展，为研究人员和工程技术人员提供了该领域的全景式技术路线图。它不仅系统梳理了各种方法的理论基础、实现路径和适用边界，还明确指出了当前的技术瓶颈和未来的突破方向。随着可再生能源渗透率的持续提高和电网复杂性的日益增长，这种智能、自适应的分区技术将成为构建高韧性、高可靠性未来电网的关键使能技术之一，对于防范大停电事故、保障能源安全具有不可估量的价值。