✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Smart Grid期刊2025年issue6文章推送（第8期/第10期）。本期推送共包含10篇研究论文简介，内容聚焦于新型电力系统关键技术，涵盖构网型变流器谐波抑制、电动汽车聚合功率灵活性量化、能源社区共享设施管理、直流微电网集群安全控制、多并联变流器系统稳定性分析、综合能源系统优化调度、需求侧资源聚合优化、异构分布式能源资源聚合、多能源消费预测方法以及逆变器电压无功控制等前沿研究方向，集中展现了电力电子化电力系统中电能质量、运行安全、资源聚合与智能调度等核心问题的创新解决方案。
本期目录
📖 第1篇：基于通信驱动学习的构网型变流器谐波抑制方法
📖 第2篇：电动汽车实时聚合功率灵活性的碳感知量化方法
📖 第3篇：人流动态能否提升共享能源设施管理效率？
📖 第4篇：规模化随机网络攻击下直流微电网集群的双层分布式安全控制
📖 第5篇：多并联构网型变流器系统小信号稳定性风险的评估、成因定位与抑制
📖 第6篇：基于深度强化学习与深度学习预测模型的综合能源系统优化调度框架
📖 第7篇：大规模需求侧资源可用时间区间的高效缩减方法
📖 第8篇：基于次梯度顶点搜索方法的异构分布式能源资源聚合
📖 第9篇：基于多任务时空耦合Informer与增强型蜘蛛黄蜂优化的两阶段日前多能源消费预测方法
📖 第10篇：面向逆变器电压无功控制的调参友好型深度强化学习方法
📖 第1篇
📌 基于通信驱动学习的构网型变流器谐波抑制方法
Communication-Driven Learning-Based Harmonic Mitigation Approach for Grid-Forming Converters
作者：Tossaporn Surinkaew，Issarachai Ngamroo
随着逆变型资源在微电网中的广泛应用，谐波累积问题日益凸显，严重威胁电力系统的电能质量。本文提出了一种创新的通信驱动学习型谐波抑制框架，专门针对多母线微电网中的构网型变流器设计。核心创新在于开发了全局谐波失真矩阵(GHD矩阵)，该指标同时考虑本地公共连接点与其他PCC点的谐波影响，通过加权因子实现全局谐波状况的精准评估，突破了传统仅关注局部谐波的局限。
控制策略方面采用专用神经网络构建的智能谐波控制器(IHC)，替代传统比例积分控制器，通过事件触发机制智能激活控制信号，减少其他控制功能的干扰。控制信号注入变流器内环电压和电流控制的直轴分量，实现对谐波的精准抑制。
针对实际微电网通信挑战，提出了智能信号重构策略，设计了延迟感知的数据处理算法以应对通信延迟及丢包。仿真基于改进的IEEE 123总线系统，涵盖多种工况和拓扑变化。结果显示，所提方法比虚拟谐波阻抗与LLCL滤波在谐波抑制效果及电压不平衡改善上具有显著优势，尤其在低惯量孤岛模式下，保持谐波失真低于IEEE 519标准并将电压不平衡度控制在2%以内。
本研究为高比例新能源接入的电力系统提供了有效谐波治理方案，其通信驱动设计理念和智能控制架构为微电网电能质量提升开辟新途径，具重要理论和工程应用价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11081953
📖 第2篇
📌 电动汽车实时聚合功率灵活性的碳感知量化方法
Carbon-Aware Quantification of Real-Time Aggregate Power Flexibility of Electric Vehicles
作者：Xiaowei Wang，Yue Chen
针对电动汽车快速普及带来的充电灵活性管理挑战，本文提出基于李雅普诺夫优化技术的实时电动汽车聚合功率灵活性碳感知量化方法，为电网低碳运行提供创新方案。研究构建包含电动汽车充电队列、延迟感知及碳感知虚拟队列的新型队列系统，通过分析功能定义李雅普诺夫漂移函数，并通过最小化漂移加惩罚项的二次形式实现聚合灵活性区域均匀分布和更高总灵活性。
提出两阶段分解过程，将系统调度信号整合进队列更新。第一阶段采用先到先服务处理排队，第二阶段根据到达时间分配剩余功率，使调度信号准确反映队列状态，有效提升未来灵活性。该方法无需预测，适应电动汽车到达和碳强度等多不确定性。
理论分析确认电动汽车充电最大延迟有常数上界，碳排放受到有效控制。数值仿真基于多基准方法比较，验证在线方法有效性，突出在总灵活性、碳排放控制和任务完成率上的优越性能，具备高度实用价值。
本研究为电力系统运营商提供实用电动汽车灵活性量化工具，有助保障系统安全稳定并推动碳中和目标，实现理论与工程应用双重突破。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11112722
📖 第3篇
📌 人流动态能否提升共享能源设施管理效率？
Can People Flow Enhance the Shared Energy Facility Management?
作者：Alexis Pengfei Zhao，Shuangqi Li，Tao Qian，Aobo Guan，Xi Cheng，Jinsung Kim，Mohannad Alhazmi，Ignacio Hernando-Gil
随着全球能源社区兴起，如何有效管理共享资源成为关键问题。本文创新提出融合人流建模与能源管理优化框架，首次将社会力模型引入能源系统优化，结合非支配排序遗传算法III，构建多目标优化模型，实现能源成本、用户等待时间和可再生能源利用率的平衡。
通过合成数据模拟150住宅单元能源社区，配置电动汽车充电站、公共厨房、洗衣房等共享场景。研究实现基于实时人流数据的高峰预测和资源动态调度，例如充电站调度根据车辆到达实时优化，设施运营同步可再生能源峰值，有效提升共享资源效率。
优化结果表现显著：电动汽车充电站利用率从70%提升至85%，公共厨房由60%增至75%，洗衣设施提高至65%，最大等待时间不超15分钟，实现成本降低及用户满意度提升。创新点涵盖深度数据整合、NSGA-III多目标解决方案及社会力模型应用。
本研究为能源社区智能化管理提供理论与实践支持，展示行为数据结合能源优化潜力，未来可借助物联网与人工智能技术推广至更广泛应用场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11027595
📖 第4篇
📌 规模化随机网络攻击下直流微电网集群的双层分布式安全控制
Bilevel Distributed Secure Control of DC Microgrid Clusters Under Scale Random Cyberattacks
作者：Fabin Cheng，Jingang Lai，Zhigang Zeng
针对微电网集群在大规模可再生能源接入背景下的网络安全威胁，本文提出针对直流微电网集群规模化随机网络攻击下的电压预防控制问题，建立了具有贝叶斯分布随机攻击模型，突破传统伯努利独立建模，精确反映不同节点受攻击概率。
设计与双层通信相配套的异步联邦入侵检测方案，引入递归贝叶斯分析器抑制预测偏差，持续学习未知攻击提升泛化能力，检测四种主要攻击类型准确率高达98.7%。
在考虑规模化攻击特征后，采用链路重构策略替代弹性控制保障电压恢复，并设计分布式有限时间控制协议，实现电压同步恢复，收敛速度显著提升，仿真验证系统在20%节点被攻击时1.1秒内恢复稳定。
该研究为保障直流微电网集群安全稳定运行提供了重要理论基础与工程解决方案，具备良好的实际工程应用前景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11079664
📖 第5篇
📌 多并联构网型变流器系统小信号稳定性风险的评估、成因定位与抑制
Assessment, Cause Localization, and Mitigation for Small-Signal Stability Risks in Multi-Parallel Grid-Forming Converter Systems
作者：Feifan Chen，Xiongfei Wang，Lennart Harnefors，Sei Zhen Khong，Jarno Kukkola，Mikko Routimo，Liang Zhao，Dan Wang，Henrik Sandberg，Kin Cheong Sou，Karl Henrik Johansson
随着构网型变流器替代同步发电机，多并联构网型系统的小信号稳定性风险突出。本文基于新开发的扩展无源性理论，提出风险评估、成因定位与抑制方法，解决振荡风险，突破传统集中式与分散式分析限制，降低保守性。
核心创新为将无源性指数扩展到多输入多输出，采用旋转坐标系处理低频非耗散特性，在低频段用旋转无源性指数，高频段用传统无源性指数，实现全频段统一稳定性判据，支持完全分散设计并准确定位不稳定源。
工程上提出系统风险诊断步骤，划分子系统、测量统一无源性指数，定位负值频段和风险系统。设计基于局部无源性分散设计，使变流器仅需满足自身参考条件保证稳定，无需考虑相互作用。
数值与实验验证方法有效，准确定位不稳定源并通过调整控制参数成功抑制振荡。该方法在保持理论严谨的同时提升工程实用性，为系统安全稳定运行提供技术支撑。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11151621
📖 第6篇
📌 基于深度强化学习与深度学习预测模型的综合能源系统优化调度框架
An Optimal Scheduling Framework for Integrated Energy Systems Using Deep Reinforcement Learning and Deep Learning Prediction Models
作者：Lei Zhang，Ye He，Hongbin Wu，Nikos D. Hatziargyriou
面对综合能源系统（IES）非线性耦合和供需不确定性的调度挑战，本文提出结合深度学习预测模型与深度强化学习调度模型的混合框架。采用高斯过程回归提取随机变量区间信息，将输入组织为结构化时间序列段，构建融合Transformer与LSTM的预测模型，实现多步区间预测。
通过同步训练机制，将双延迟深度确定性策略梯度（TD3）方法与混合预测模型耦合，充分利用系统状态变化趋势提升调度性能，突破了传统优化方法的局限。
基于开源数据的实验结果显示，相较基线方法，整体性能提升了22.4%。具体提升包括可再生能源利用率提升45%，自给自足不平衡度降低17%，碳排放减少4.6%，储氢依赖降低23%。
本研究系统探讨了预测模型对TD3调度性能的影响，提出预测与调度模型同步训练机制，实现二者的自适应交互，强化区间信息利用，显著优化IES的调度策略，具有重要理论指导意义。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11127129
📖 第7篇
📌 大规模需求侧资源可用时间区间的高效缩减方法
An Efficient Reduction Method for Available Time Intervals of Large-Scale Demand-Side Resources
作者：Hongyi Wei，Haiyang Jiang，Jiawei Zhang，Audun Botterud，Ning Zhang，Chongqing Kang
针对大规模需求侧资源参与系统调度时因多样化可用时间区间带来的计算负担和调度不可行问题，本文提出高效时间区间缩减方法。核心在于确定如何将所有需求侧资源时间区间缩减至合理范围，降低调度复杂性，方法基于重构整数线性规划并引入可用时间区间矩阵，显著缩小问题规模。
为缓解计算压力，设计结合区间聚类和权重选择的快速近似算法。数值测试显示，该方法在保证可行调度的同时，能提供更大的聚合可行区域及更强的灵活性，并减少计算时间，较其他内近似方法更优。
本方法创新包括针对特定聚类周期长度限制的资源聚合方法，避免整数与二元变量乘积新建模策略，以及适用于长期调度区间的大规模快速近似算法，均显著提升聚合效率与精度。
实用价值显著，特别适合处理电动汽车等具有特定时间窗口资源，保证足够可行区域同时满足功率需求，为高效整合分布式灵活资源提供技术支撑。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11121918
📖 第8篇
📌 基于次梯度顶点搜索方法的异构分布式能源资源聚合
Aggregation of Heterogeneous DERs by the Subgradient Vertex Search Method
作者：Wenkai Ye，Yilin Xie，Yao Xiao，Yifan Wei，Jiali Chen，Yalun Li，Hewu Wang，Minggao Ouyang
随着新能源渗透率提升，分布式能源资源（DERs）灵活性需求增长。本文提出结合光伏、储能、柔性负荷的线性化模型，统一考虑不同耗散率，弥补传统零自耗散假设不足，更准确反映系统异构性。
开发次梯度顶点搜索方法应对聚合可行域计算NP难问题，通过单步步长次梯度下降寻找边界点，确保顶点精确定位。仿真验证显示该方法在百级异构DER情形中具备高效收敛和数值稳定性。
引入能量流程图可视化高维能量变换，结合V2G充电桩案例阐释可行域缩放机制。与传统方法相比，避免区域收缩引起保守决策及松弛引发不可行调度。
该研究为VPP运营商和电网运营机构提供精准聚合工具和灵活性评估方法，支持高效市场参与和电网安全，提高DERs灵活性利用率，未来聚焦运行点预测集成及弱测量条件下聚合问题。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11141502
📖 第9篇
📌 基于多任务时空耦合Informer与增强型蜘蛛黄蜂优化的两阶段日前多能源消费预测方法
A Two-Stage Day-Ahead Multi-Energy Consumption Forecasting Method Based on Multi-Task Spatiotemporal Coupling Informer and Enhanced Spider Wasp Optimization
作者：Fang Liu，Yucong Huang，Yalin Wang，Guihua Ban，Ling Liu，Yong Li
随着单一能源系统向灵活集成能源系统转型，为精准把握用户需求，本文提出两阶段日前多能源消费预测方法。第一阶段引入能源消费比系数(ECRC)特征，构建多任务时空耦合Informer模型，强化多尺度时空特征提取，突破Informer位置信息学习局限，直观反映多能源耦合关系。
第二阶段设计增强型蜘蛛黄蜂优化算法，引入Tent-Logistic混合混沌映射、非线性下降因子及自适应t分布改进，解决原算法初始化不均匀、收敛慢及易陷入局部最优的问题，实现多能源融合的精准预测。
基于亚利桑那州立大学与中国区域电热集成系统数据测试，较多个单任务及多任务模型，平均提升预测精度30.296%、泛化能力26.860%、鲁棒性31.807%，显示显著性能优势。
该方法深入挖掘时空耦合特征及两类特征优势，为集成能源系统多能源协调管理及日前调度提供强有力技术支撑，助力挖掘能源价值与碳减排潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11087427
📖 第10篇
📌 面向逆变器电压无功控制的调参友好型深度强化学习方法
A Tuning Friendly Deep Reinforcement Learning Method for Inverter-Based Volt/Var Control
作者：Xiao Liu，Cuo Zhang，Sinan Li，Jianguo Zhu
针对分布式光伏高渗透引发的电压偏差，现有基于深度强化学习(VVC)方法存在超参数复杂调优问题，本文提出调参友好型深度强化学习方法(TF-DRL)，通过引入进化策略(ES)提升探索能力，实现接近最优训练性能，显著降低对领域专家知识依赖。
TF-DRL结合ES全局探索与DRL局部优化，ES利用多变量高斯分布生成参数，无需反向传播直接评估适应度，增强训练早期探索能力。DRL演员与环境交互产生经验，为ES精英选择提供补充，实现良性循环，提升超参数鲁棒性。
基于IEEE 123节点三相不平衡网络仿真，TF-SAC相较传统SAC收敛性能提升18.91%，TF-DDPG在传统DDPG无法收敛情况下实现稳定训练。在线测试显示不同超参数下功率损耗降低约58kW，无电压越限，展现卓越鲁棒性。
该方法为配电网运营商提供部署便利的DRL-based VVC解决方案，无需复杂调参即可获得优秀性能，未来可拓展至负荷频率控制、微电网等多领域，前景广阔。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11119650
点击关注 获取更多精彩