✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Power Systems期刊2026年issue2推送（第3期/共6期）。本期推送共包含10篇研究论文，内容聚焦于高比例可再生能源电力系统的前沿建模、优化与控制问题。研究主题涵盖风电场景生成、暂态稳定约束机组组合、交流最优潮流高效求解、分布式能源运行域计算、逆变器主导电网稳定性分析、风电机组频率调节、概率负荷预测可解释性、分布式优化算法加速以及量子神经网络潮流计算等关键领域。这些研究为应对未来电网的复杂性、不确定性与高效运行挑战提供了创新的理论方法与技术工具。总体而言，这些成果可直接支持电网规划、运行与决策工具的升级，加速可再生能源大规模并网的工程化落地。
本期目录
📖 第1篇：基于广义动态因子模型与生成对抗网络的风电场景生成方法
📖 第2篇：面向Hydro-Quebec暂态稳定约束机组组合问题的分解式数学启发式算法
📖 第3篇：一种用于交流最优潮流的新型鲁棒增强商梯度系统方法：第一部分 理论基础
📖 第4篇：一种用于交流最优潮流的新型鲁棒增强商梯度系统方法：第二部分——方法与计算
📖 第5篇：三相配电系统中分布式能源运行域计算的高效样本筛选方法
📖 第6篇：逆变器主导网状电力网络暂态稳定性的稳定裕度指示器
📖 第7篇：基于庞特里亚金极小值原理的风电机组三阶段最优频率调节方案
📖 第8篇：一种基于特征不确定性传播的概率负荷预测统一解释框架
📖 第9篇：分布式最优潮流求解中ADMM算法的三种增强技术
📖 第10篇：贝叶斯量子神经网络在高比例可再生能源潮流计算中的应用
📖 第1篇
📌 基于广义动态因子模型与生成对抗网络的风电场景生成方法
Wind Power Scenario Generation Based on the Generalized Dynamic Factor Model and Generative Adversarial Network
作者：Young-ho Cho，Hao Zhu，Junghyeop Im，Duehee Lee，Ross Baldick
本文聚焦于长期、真实的风电场景生成混合框架问题，目标是在电力系统资源充裕性与不确定性评估中提供兼顾时空相关性与边际分布匹配的高质量样本。文章提出整体技术路线：在频域上用广义动态因子模型（GDFM）分离公共因子与特异成分，保留相位信息并通过逆傅里叶变换与静态主成分分析重构时域；同时用生成对抗网络学习并合成GDFM中的关键动态滤波器的幅度，从而在保证频谱结构的同时注入波形真实性。输入包括多场位风电历史时序数据与功率谱估计，输出为满足空间协方差与功率谱特性的长时序场景样本。与传统只用时域GAN或只用频域GDFM的方法相比，本方法在架构上实现了频域约束与时域真实感的互补。
实现细节上，论文首先对历史数据进行功率谱密度估计与相位提取，构造GDFM所需的因子载荷与动态因子基底；GAN的训练目标为生成动态滤波器的幅度谱，损失包含对抗损失、频谱一致性项以及边际分布正则项，优化器采用Adam（学习率0.0002，批量大小64），并在训练中加入谱域数据增强与幅度谱平滑正则以提高鲁棒性。关键实现要点为幅度谱对抗训练策略与相位保留重构约束，这些设计确保GAN生成的滤波器在嵌入GDFM后能生成物理合理的交叉功率谱密度。
在澳大利亚真实风电场数据的数值测试中，研究与仅用GDFM（动态滤波器采样）和仅用GAN（直接时域合成）两种基线比较，结果显示本方法在波形相似度、空间协方差再现、爬坡率分布与功率谱密度匹配上均有提升，关键指标包括波形匹配得分提高约12%、RMSE下降约0.08（归一化功率）、在极端爬坡事件捕捉上提升显著。结论表明所提方法在长时序、多场景生成上能更好地保持统计特征与极端事件表现，适用于电力系统容量规划、备用容量评估与不确定性场景生成。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184641
📖 第2篇
📌 面向Hydro-Quebec暂态稳定约束机组组合问题的分解式数学启发式算法
A Decomposition Matheuristic for the Transient Stability Constrained Unit Commitment at Hydro-Quebec
作者：El Mehdi Er Raqabi，Abderrahman Bani，Mouad Morabit，Alexandre Blondin Massé，Alexandre Besner，Julien Fournier，Issmaïl El Hallaoui
本文针对大型水电系统在机组组合（UC）中引入的暂态稳定约束（TSCUC）问题提出了解法框架，应用场景为Hydro-Quebec的冬夏轮次运行规划。论文构建了完整的数学模型，纳入水力网络约束、机组配置二元变量、超发电机近似以及基于功率接口的暂态稳定限值，该限值由嵌套的min-max表达式给出并导致模型非线性与数目巨大的二元变量。为此提出了整体技术路线：先通过分解式“松弛-求解-固定-修正”启发式滚动窗口策略分块求解，再在最后阶段恢复所有整数变量并进行修正优化以保证可行性和稳定性。
实现细节包括将时间维度划分为多个重叠滚动窗口，在每个窗口中仅将当前窗口的配置变量保持为整数，其余松弛为连续变量求解；为简化稳定约束，提出了新型线性化方法，引入辅助连续变量并通过调整目标加权避免大量大M与额外二元变量。关键实现要点包括滚动窗口整数固定策略与辅助变量线性化方案，并结合对CPLEX参数的定制调优以提升求解效率。
在Hydro-Quebec提供的冬、夏两季实际算例上验证，结果显示：该RSFC启发式方法在大多数大规模实例中能在10分钟以内得到高质量或最优可行解；相较于默认直接求解，求解时间显著减少且可行性和成本最小化表现优越。具体数值上，若干实例的最优性间隙低于1%，且在大规模测试中平均求解时间缩短超过50%。工程结论是该方法为Hydro-Quebec提供了可用于快速再优化与场景应对的实用工具，并具有可迁移性到其他大规模强约束优化场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11134597
📖 第3篇
📌 一种用于交流最优潮流的新型鲁棒增强商梯度系统方法：第一部分 理论基础
A Novel Robust Augmented Quotient Gradient System Method for AC Optimal Power Flow Part I: Theoretical Basis
作者：Zhi-Yuan Wang，Hsiao-Dong Chiang，Tengmu Li，Xian-Long Lv
本文作为系列研究第一部分，聚焦于求解非凸的交流最优潮流（ACOPF）问题的理论基础，提出将原始非线性约束优化问题重构为一个非线性动力系统——增强商梯度系统（AQGS）。文章给出AQGS与ACOPF局部最优解之间的一一对应关系，并证明AQGS的轨迹必然收敛到正则稳定平衡点，从而从理论上解决了传统基于KKT方法在初值敏感与奇异雅可比矩阵下的发散问题。核心机制包括动力系统重构框架与加权函数正则化，构成了本方法可靠收敛性的理论支撑。
文中对AQGS系统的稳定性、平衡点性质以及与鞍点避免的机理进行了严格数学推导，证明了随机初始点以零概率收敛到鞍点的结论。实现层面给出了AQGS的数值演化形式以及如何将加权函数、动力系统参数与约束映射到数值求解器中，关键实现要点为加权函数设计与稳定平衡点数值追踪，这些设计为后续第二部分的数值算法奠定基础。
在典型测试系统（如WB3）上的数值验证表明，AQGS方法的收敛域覆盖面广且能稳定到高质量局部最优解。与常用内点法（MIPS、IPOPT）在若干初始点上的对比，AQGS展现出更高的收敛成功率和更强鲁棒性。结论是AQGS为ACOPF的理论和算法设计提供了新的动力系统视角，并将作为第二部分数值实现的理论依据。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11185158
📖 第4篇
📌 一种用于交流最优潮流的新型鲁棒增强商梯度系统方法：第二部分 方法与计算
A Novel Robust Augmented Quotient Gradient System Method for AC Optimal Power Flow Part II: Method and Computation
作者：Zhi-Yuan Wang，Hsiao-Dong Chiang，Tengmu Li，Xian-Long Lv
本文是AQGS系列论文的数值与实现部分，目标是将第一部分的理论转化为高性能可用于大规模AC OPF的求解器框架。整体技术路径包括构造自适应惩罚因子增长策略以平衡速度与精度、引入伪瞬态连续的轨迹加速方法以及与局部优化器（如内点法）结合的两阶段混合求解流程，以解决最后一英里的数值病态问题。
在实现细节上，论文提出了TJU（轨迹统一）增强的AQGS：第一阶段采用伪瞬态连续加速AQGS轨迹快速逼近可行域，第二阶段切换到局部优化器完成高精度收敛；并提出自适应惩罚因子增长策略与伪瞬态轨迹加速两项关键数值技术以提升稳定性和效率。此外，文中讨论了雅可比条件数控制、数值步长选择与收敛判据等工程实现要点。
数值测试覆盖1888、2736与13659节点等大规模系统，结果显示TJU增强AQGS在收敛率、计算速度与精度上显著优于IPOPT：在若干具有挑战性的案例中本方法实现了100%收敛率，而IPOPT收敛率低至27%；对于大规模系统，计算速度可提升高达4倍。这些结果表明该混合策略在工程级别的AC OPF求解中极具潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11186169
📖 第5篇
📌 三相配电系统中分布式能源运行域计算的高效样本筛选方法
A Sample Screening Method for Calculating Operating Envelopes of Distributed Energy Resources in Three-Phase Distribution Systems
作者：Hongchao Liu，Xiaoyuan Xu，Zheng Yan，Mohammad Shahidehpour
本文解决的是在三相不平衡配电网络中为分布式能源（DER）计算公平且可扩展的运行域（Operating Envelope, OE）的问题，应用目标是同时保障电网安全与DER用户调节空间。文章提出一个以参考运行域缩放保证容量公平的框架，并设计基于Sobol序列的样本生成与三步筛选（初始化、样本筛选、样本增广）策略来构建符合配电网约束的多边形OE，技术路线避免了基于矩形和手工调参的保守边界。
实现上将每个DER的有功-无功域建模为凸多边形，引入参考运行域并通过缩放系数实现不同容量间的比例公平；样本生成使用Sobol低差异序列，并通过顶点搜索替代传统优化解以提高效率。关键实现要点为Sobol样本筛选流程与参考运行域缩放机制，使得算法既能得到更宽松的运行边界又能保证计算复杂度低。
在平衡与不平衡123节点以及906节点大系统的测试中，与Kornai-Liptak分解法和矩形法比较，本文方法将允许功率范围分别扩大约2.7%和500%，同时计算时间缩短超过60%，在906节点含120个DER的测试中，计算时间控制在13秒以内。蒙特卡洛仿真显示所提OE能有效保证电压安全，结论指出该方法在工程级配电网中具有良好的可扩展性和公平性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11342381
📖 第6篇
📌 逆变器主导网状电力网络暂态稳定性的稳定裕度指示器
A Stability Margin Indicator for Transient Stability of Inverter-Dominated Mesh Power Networks
作者：Hansi Wijayalath Arachchilage，Harith E. Udawatte，Mohammad Hasan Ravanji，Nabil Mohammed，Behrooz Bahrani，David J. Hill
本文面向高比例基于逆变器资源（IBR）的网状网络，提出了一个用于快速评估暂态稳定性的稳定裕度指示器（Stability Margin Indicator），旨在在规划阶段与参数敏感性分析中代替繁重的时域微分方程仿真。研究构建了一套分析框架，基于本地公共母线电压广义表达式和网络功率-电流关系，推导出在不同网络连接与控制策略下的稳定裕度定量计算形式。
方法区分构网型与跟网型逆变器，采用解析近似与能流分析来得到不依赖数值积分的裕度估计，关键实现要点包括本地公共母线电压表达式推导与功率-电流近似模型，并在工具中实现对下垂增益、线路阻抗与逆变器调度水平的参数扫描。
通过在西澳默里区实际电网与多种仿真场景上的验证，指标被证明能快速反映网络互联、控制器参数与设备接入对暂态稳定裕度的影响。工程价值体现在为规划提供可量化的配置比较工具，支持识别优先加固线路或调整逆变器控制器以提升全网稳定裕度。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11176966
📖 第7篇
📌 基于庞特里亚金极小值原理的风电机组三阶段最优频率调节方案
A Three-Stage Optimal Frequency Regulation Scheme for Wind Turbines With Pontryagin's Minimum Principle
作者：Gang Zhang，Jicheng Wang，Hechen Li，Feng Zhang，Lei Ding，Xin Zhang，Hongda Liu
本文针对风电机组参与电网频率调节提出了基于庞特里亚金极小值原理的三阶段最优调节方案，研究问题是如何在有限的可用调节能量和功率约束下，最优化风电机组与同步机的协同响应以改善频率最低点与整个调节过程。文章给出解析闭式解并将最优控制分为频率下降阶段、中间过渡阶段与稳态阶段，清晰描述了每阶段的功率曲线与频率演化规律。
在实现上，研究对含有控制与状态约束的最优控制问题对PMP方法进行了增强，推导出在不同约束下的边界条件与切换策略；关键实现要点包括增强型PMP求解方法与分段闭式解结构，这些使得方案在工程上易于参数化并直接部署于风电机组控制器中。
数值仿真表明，与虚拟惯量、下垂控制及阶跃惯性控制相比，该三阶段方案可将频率最低点提高至少18%，并能更优化地利用有限的调节能量以避免二次跌落。结论指出该解析方案不仅具备理论最优性，在实际风电机组的控制参数较少、易实现性强的前提下也具有良好工程应用潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11208836
📖 第8篇
📌 一种基于特征不确定性传播的概率负荷预测统一解释框架
A Unified Explanation Framework for Probabilistic Load Forecasting via Feature Uncertainty Propagation
作者：Zhixian Wang，Linxiao Yang，Chenxi Wang，Liang Sun，Fernando Porté-Agel，Yi Wang
本文面向基于神经网络的概率负荷预测（PLF）提出了一个模型无关的解释框架，核心问题是将预测输出的不确定性归因于输入特征自身的不确定性，从而识别影响预测置信度的关键来源。整体框架通过梯度传播方法量化每个输入特征不确定性对输出不确定性的贡献，技术上实现了对特征不确定性传播的统一刻画，并提出了考虑输入不确定性各向异性的归因策略以处理不同特征的误差结构差异。
实现上框架基于可计算梯度的模型（主要为NN），通过计算模型输出对每个输入特征的梯度并结合特征自身的不确定性幅值来评估不确定性贡献；关键实现要点為梯度归因计算与各向异性不确定性处理，同时框架无需对每个特征建立额外的噪声模型即可产出合理的特征重要性排序与去噪建议。
在西班牙与巴拿马的大规模真实负荷数据集上的实证显示，该方法能有效识别影响预测不确定性的关键特征（如局部温度与可再生出力），并通过优先去噪高不确定性特征将预测误差显著降低。具体实验结果表明在若干基准上，不确定性归因指导下的特征清洗可使预测区间宽度与置信区间覆盖率提升，并最终提高单点预测精度与概率预报的可靠性，验证了该框架在PLF可解释性与实务改进方面的价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11186219
📖 第9篇
📌 分布式最优潮流求解中ADMM算法的三种增强技术
ADMM Enhancement Techniques for Distributed Optimal Power Flow
作者：Milad Hasanzadeh，Amin Kargarian
本文研究如何提升交替方向乘子法（ADMM）在分布式最优潮流（OPF）求解中的收敛速度与鲁棒性，特别在处理非凸交流OPF时的表现。文章提出三种增强技术：联络线功率流替代惩罚、边界节点功率平衡重构和惩罚项自适应缩放，分别从耦合强度、边界协调精度与惩罚项尺度自适应三方面改进ADMM框架。
具体实现包括将联络线功率流替代为基于相角差的惩罚项以避免尺度失衡，采用加权平均的边界节点重构以反映邻域优化意愿，以及设计基于迭代误差动态调整的惩罚项缩放机制以免人工调参。关键实现要点为相角差替代惩罚项与自适应惩罚缩放策略，并在指数惩罚函数的新 formulation 中验证了这些技术的通用性。
在IEEE 48、118及实际1354节点欧洲电网上的案例研究表明，上述任一单项或组合增强均能显著减少ADMM迭代次数，在保持与集中式解相近（通常最优性间隙低于1%）的同时加速分布式收敛。实验结果支持这些技术作为加速分布式OPF的通用方案，尤其适用于需要隐私保护與并行计算的场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11177244
📖 第10篇
📌 提升训练效率与泛化能力的贝叶斯量子神经网络在高比例可再生能源潮流计算中的应用
Bayesian Quantum Neural Network for Renewable-Rich Power Flow With Training Efficiency and Generalization Capability Improvements
作者：Ziqing Zhu，Shuyang Zhu，Siqi Bu
本文提出将量子神经网络（QNN）与贝叶斯训练结合，用于高比例可再生能源电网的稳态潮流近似，旨在在数据匮乏或未见工况下提升泛化能力。研究问题是如何在保持物理一致性的前提下，以更少的参数与训练样本获得稳定准确的潮流预测，技术路线是利用量子态的高维表征能力配合变分推断来学习参数后验分布，从而在推理阶段通过多次采样给出不确定性量化的预测分布。
实现细节包括QNN的参数化电路设计、变分推断优化以及在经典计算平台上对QNN进行近似仿真；训练采用变分贝叶斯方法估计参数后验并使用少量样本进行训练以提升效率，关键實現要點為变分后验估计与量子电路参数化设计，并在训练中加入正则化与不确定性采样以提高鲁棒性与泛化性能。
在IEEE 6、30、118节点测试中，与常规QNN、贝叶斯NN和MLP比较，贝叶斯QNN在电压均方误差、训练轮次及泛化误差上均表现优异，实验结果显示电压均方误差在不同场景下降低范围为4.22%–49.45%，且训练轮次显著减少。文章最后讨论了当前量子硬件噪声与规模对方法工程化应用的限制，并指出开发抗噪声鲁棒算法与混合经典-量子部署路径为未来方向。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11162631
点击关注 获取更多精彩