通过混合划分和GAN驱动动态重配置增强配电网络的网络安全性和韧性

本文提出了一种结构化的混合电网划分框架，旨在增强配电网络在高电动汽车（EV）渗透及不断变化的网络威胁下的网络物理韧性和可扩展性。该框架集成了三个紧密耦合的层次。首先，基于图的聚类阶段引入了谱信息自适应层次聚类（SIAHC），它结合了全球谱特征和复合电场距离度量，生成模块化、自给自足且拓扑连贯的子网络，以支持功率损失最小化、 voltage 稳定性和拓扑鲁棒性。第二，基于优化的细化层采用乘子交替方向法（ADMM）实现分区间可扩展和分布式协调，确保在电流流动和电压约束下的可行性。第三，反馈驱动的数据驱动层集成了贝叶斯长短期记忆变分自编码器（LSTM-VAE），用于预测成本成分和学习聚类参数，以及条件Wasserstein GAN（cWGAN-GP），用于模拟对抗场景并在网络入侵下实现自适应备用控制。该框架在高渗透率的EV、能量存储和光伏的IEEE 33母线和123母线系统上得到了验证。结果表明聚类质量有所改善，功率损失和电压偏差减少，收敛速度较快，以及增强了网络韧性。