Chance-constrained Solar PV Hosting Capacity Assessment for Distribution Grids Using Gaussian Process and Logit Learning

📄 arXiv: 2505.19839v1 📥 PDF

作者: Sel Ly, Anshuman Singh, Petr Vorobev, Yeng Chai Soh, Hung Dinh Nguyen

分类: eess.SY

发布日期: 2025-05-26

💡 一句话要点

提出基于高斯过程和Logit学习的概率约束光伏容量评估方法，解决配电网过电压风险问题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 光伏容量评估 配电网 高斯过程 Logit学习 概率约束 过电压风险 分布式发电

📋 核心要点

  1. 现有光伏容量评估方法难以有效应对配电网运行的不确定性，导致评估结果的可靠性降低。
  2. 该论文提出结合高斯过程和Logit学习，构建概率约束的光伏容量评估框架，量化不确定性并进行风险管理。
  3. 实验结果表明，该方法在预测节点过电压事件方面准确率高达93%，且计算成本低，具有实际应用价值。

📝 摘要（中文）

随着分布式发电（如光伏）渗透率的提高，配电网中过电压的风险增加，影响网络安全。因此，评估光伏容量（HC）——给定电网可以容纳的最大光伏量——成为一个重要的实际问题。本文提出了一种新颖的概率约束HC估计框架，该框架使用高斯过程和Logit学习，可以考虑不确定性和风险管理。此外，我们还考虑了在不同电压控制策略下对HC的评估。结果表明，所提出的模型在预测IEEE 33节点和123节点测试用例中的节点过电压事件时，可以达到高达93%的准确率。因此，这些模型可以有效地用于估计具有各种风险水平的概率约束HC。此外，我们提出的方法形式简单，计算成本低，仅需几秒钟。

🔬 方法详解

问题定义：论文旨在解决配电网中日益增长的光伏渗透率带来的过电压风险问题，准确评估光伏容量（HC）。现有方法通常忽略了配电网运行中的不确定性因素，例如负荷波动、光伏发电的间歇性等，导致HC评估结果过于乐观或保守，无法有效指导电网规划和运行。现有方法在准确性和计算效率之间难以取得平衡。

核心思路：论文的核心思路是将光伏容量评估问题转化为一个概率约束优化问题，即在满足一定的风险水平下，最大化光伏的接入容量。为了解决不确定性问题，论文利用高斯过程（GP）对配电网的电压分布进行建模，从而量化由于负荷和光伏发电波动带来的不确定性。然后，利用Logit回归学习电压超过安全阈值的概率，从而实现概率约束的建模。

技术框架：该框架主要包含以下几个阶段：1) 数据收集与预处理：收集配电网的历史运行数据，包括负荷数据、光伏发电数据、电压数据等。2) 高斯过程建模：利用高斯过程对配电网的电压分布进行建模，考虑负荷和光伏发电的不确定性。3) Logit学习：利用Logit回归学习电压超过安全阈值的概率，建立过电压风险模型。4) 概率约束优化：在满足一定的风险水平下，通过优化算法确定光伏的最大接入容量。

关键创新：该论文的关键创新在于将高斯过程和Logit学习相结合，用于概率约束的光伏容量评估。高斯过程能够有效处理配电网运行中的不确定性，而Logit学习能够准确预测过电压风险。这种结合使得HC评估结果更加可靠，能够有效指导电网规划和运行。与传统方法相比，该方法能够更好地平衡准确性和计算效率。

关键设计：高斯过程模型的核函数选择对建模精度有重要影响，论文可能采用了RBF核或Matern核等。Logit回归模型的训练需要大量的历史数据，论文可能采用了交叉验证等方法来防止过拟合。概率约束优化问题的求解可能采用了遗传算法或粒子群算法等。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，所提出的模型在IEEE 33节点和123节点测试用例中，预测节点过电压事件的准确率高达93%。与传统方法相比，该方法能够更准确地评估光伏容量，并有效降低过电压风险。此外，该方法的计算成本较低，仅需几秒钟即可完成评估，具有实际应用价值。

🎯 应用场景

该研究成果可应用于配电网规划、运行和控制等领域。电力公司可以利用该方法评估配电网的光伏容量，制定合理的接入策略，避免过电压风险。此外，该方法还可以用于评估不同电压控制策略对光伏容量的影响，为优化电压控制提供依据。该研究有助于提高配电网对分布式电源的接纳能力，促进清洁能源的发展。

📄 摘要（原文）

Growing penetration of distributed generation such as solar PV can increase the risk of over-voltage in distribution grids, affecting network security. Therefore, assessment of the so-called, PV hosting capacity (HC) - the maximum amount of PV that a given grid can accommodate becomes an important practical problem. In this paper, we propose a novel chance-constrained HC estimation framework using Gaussian Process and Logit learning that can account for uncertainty and risk management. Also, we consider the assessment of HC under different voltage control strategies. Our results have demonstrated that the proposed models can achieve high accuracy levels of up to 93% in predicting nodal over-voltage events on IEEE 33-bus and 123-bus test-cases. Thus, these models can be effectively employed to estimate the chance-constrained HC with various risk levels. Moreover, our proposed methods have simple forms and low computational costs of only a few seconds.