分布式智能电网背景下的配用电关键技术展望

研究背景与意义

• 政策背景：2014年至今，国家陆续提出能源革命战略思想、“碳达峰、碳中和”目标、构建以新能源为主体的新型电力系统、发展分布式智能电网等政策，推动电力系统向清洁低碳、安全充裕、经济高效、供需协同、灵活智能的方向发展。
• 分布式智能电网（DSG）建设意义：DSG的演化导致传统“配电”功能升级为“种源网荷储分布”，其特征包括自治平衡和灵活互动，能够实现电力就地自平衡、分层分区自组织、分布式协同优化、供需互动、多元主体互动和新型商业模式。

分布式智能电网的内涵

• DSG的属性：包括物理属性（分布式发电/能源、分布式储能、分布式微电网）、技术属性（互济平衡技术、分布式组织架构、分布式感知技术、数字化智能化技术、高比例电力电子）和价值属性（分布式组织架构、经济高效、安全充裕、清洁低碳）。

配用电相关技术研究进展

计及灰数据的低压拓扑辨识技术

• 研究意义：双碳战略驱动低压DSG成为可再生能源分布式消纳主战场，低压DSG透明化是国家电力体制改革和电网企业战略转型的基础，及时智能更新拓扑信息是低压DSG安全和低碳运行的前提。
• 技术挑战：现场环境复杂、设备计量误差和数据缺失、空置用户电表数据为零、分布式电源对电气量时空特征产生干扰。
• 科学问题：拓扑先验知识和量测数据特征相互融合的模型与机制、灰数据特征对拓扑辨识的影响机理及其优化策略。
• 主要研究结论：量测灰数据是影响拓扑辨识准确率的主要因素，需从灰数据辨识与预处理、拓扑辨识算法鲁棒性策略方面解决；建议从终端入网标准、存量终端运维质量、主站数据处理能力等方面加强改进。

基于深度学习的DSG态势感知技术

• 研究意义：新能源分布式接入使DSG运行特性复杂动态，传统模型难以适应数据缺失与拓扑变动场景，深度学习可通过数据驱动实现DSG运行态势的智能感知与预测。
• 技术挑战：数据质量不高、拓扑频繁变动、特征关联复杂。
• 科学问题：如何从配电网运行数据中提取有效的时空关联特征？如何在深度学习模型中融合电气物理约束以提升可解释性？
• 主要研究结论：基于深度学习的DSG态势感知方法可有效应对拓扑缺失和线路参数不准确问题；提升泛化性能和可解释性需结合电力系统知识和机理；准确的量测训练数据是模型拟合准确度的前提，需进行灰数据辨识和清洗。

基于混合博弈的供需互动技术

• 政策背景：2024年底我国分布式光伏发电累计装机达到3.7亿千瓦，国家支持分布式能源参与市场交易，强调通过共享储能提升资源利用效率。
• 现状问题：单一区域交易机制存在跨区域协调不足、用户策略受限与多主体利益冲突问题，DSG安全与市场协同存在电压越限风险、算法效率低与隐私保护矛盾。
• 主要研究结论：电力市场环境下，负荷聚合商与用户之间存在复杂博弈关系，合理的商业模式设计对利益平衡至关重要；电网-聚合商间需建立源-网互动的协同优化机制；博弈论是分析多主体互动决策行为的重要工具。

结语与展望

• 核心问题：多主体、强随机、大波动将是DSG发展所面临的核心问题，需更智能和高效的量测技术体系，并将新一代人工智能技术与传统机理模型相结合。
• 低压DSG的重要性：成为分布式新能源消纳和能源电力新业态的主战场，提升低压智能量测的时空密度是实现“双碳”战略的重要构成部分。
• 量测数据的重要性：准确性、完整性、同步性是支撑低压拓扑辨识、DSG运行态势感知、新型供需互动等智能配用电技术发展的重要基础和保障。
• 建议：从终端入网标准、低压通信可靠性、计量主站架构等方面入手，打造新一代智能量测体系，支撑分布式智能电网发展。