Hierarchical Agglomerative Clustering for Efficient Annual Voltage Security Assessment in Very-High RES Penetrated Power Systems

📄 arXiv: 2608.28296v1 📥 PDF

作者: Rock Agon, Robin Preece, Jovica V. Milanovic

分类: eess.SY

发布日期: 2026-08-28

备注: In preparation for submission to IEEE

💡 一句话要点

提出层次聚合聚类以提高高可再生能源渗透电力系统的电压安全评估效率

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 电压安全评估 可再生能源 层次聚合聚类 无监督学习 电力系统 主成分分析 电压风险指数

📋 核心要点

  1. 现有方法主要聚类需求和发电配置，但未能有效捕捉电压行为的复杂性，导致电压安全评估的准确性不足。
  2. 本文提出了一种基于系统电压响应的无监督学习框架，通过电压风险指数选择代表性运行点，旨在提高电压安全评估的效率和准确性。
  3. 在IEEE电压测试系统中，该框架将年运行点集减少99.66%，并在稳态和事故后响应中分别实现98.3%和93.4%的重构准确率，显著优于现有方法。

📝 摘要（中文）

在高可再生能源（RES）渗透的电力系统中，电压安全评估需要分析大量的运行条件以捕捉变动性和不确定性，但模拟整年的运行点计算成本高，因此需要选择代表性运行点（ROPs）。现有方法主要聚类需求和发电配置，但这些配置的相似性并不一定能保证电压行为的相似性。本文提出了一种基于系统实际电压响应的无监督学习框架，通过AC潮流解的系统电压风险指数表示每个运行点，利用主成分分析降低维度，并通过Ward链接的层次聚合聚类识别代表性电压状态。评估结果表明，该框架在IEEE电压测试系统中将年运行点集减少99.66%，同时在稳态和事故后响应中分别实现98.3%和93.4%的重构准确率，优于现有的注入空间聚类和启发式采样方法。

🔬 方法详解

问题定义：本文旨在解决高可再生能源渗透电力系统中电压安全评估的计算成本高和准确性不足的问题。现有方法聚类需求和发电配置，但未能有效反映电压行为的复杂性。

核心思路：论文提出的框架通过系统电压风险指数来选择代表性运行点，确保所选点能够真实反映系统的电压响应特性，从而提高评估的准确性和效率。

技术框架：整体流程包括三个主要模块：首先，通过AC潮流解计算系统的电压风险指数；其次，利用主成分分析（PCA）降低数据维度；最后，应用层次聚合聚类（HAC）识别代表性电压状态。

关键创新：最重要的技术创新在于将电压风险指数作为选择代表性运行点的依据，而非传统的需求和发电配置聚类方法。这一方法能够更准确地捕捉电压行为的复杂性。

关键设计：在技术细节上，采用Ward链接的层次聚合聚类算法，确保聚类结果的紧凑性和有效性。主成分分析的参数设置经过优化，以最大限度地保留电压风险信息。整体框架的设计旨在减少计算复杂度，同时提高重构准确率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，该框架在IEEE电压测试系统中将年运行点集减少99.66%，同时在稳态和事故后响应中实现98.3%和93.4%的重构准确率，显著优于现有的注入空间聚类和启发式采样方法，展示了其在电压安全评估中的优越性。

🎯 应用场景

该研究的潜在应用领域包括电力系统的电压安全监测与评估、可再生能源的集成管理以及电网的智能调度。通过提高电压安全评估的效率和准确性，能够为电力系统的稳定运行提供更可靠的支持，促进可再生能源的广泛应用。

📄 摘要（原文）

Voltage security assessment in power systems with high renewable energy source (RES) penetration requires analyzing many operating conditions to capture variability and uncertainty, but simulating a full year of operating points is computationally costly - motivating the selection of representative operating points (ROPs). Most existing methods cluster demand and generation profiles, but similarity in these profiles does not guarantee similarity in voltage behavior, since reactive power limits, voltage-control actions, and nonlinear network interactions shape voltage response in ways that cannot be inferred from power profile patterns. This paper proposes an unsupervised learning framework that selects ROPs based on the system's actual voltage response: each operating point is represented by system-wide voltage-risk indices from AC power-flow solutions, Principal Component Analysis reduces dimensionality, and Hierarchical Agglomerative Clustering with Ward linkage identifies representative voltage regimes. A comprehensive set of evaluation criteria then measures how well the selected ROPs reproduce the full year's voltage-security characteristics under normal and contingency conditions. On the IEEE Voltage Test System under very high RES penetration, the framework reduces the annual operating point set by 99.66 percent while reproducing full-year voltage behavior with 98.3 percent reconstruction accuracy in steady state and 93.4 percent in post-contingency response, outperforming existing injection-space clustering and heuristic sampling.