哈尔滨理工大学的这份报告着眼于“双碳”目标和能源安全的大局，专门来琢磨怎么应对电压不稳的难题。传统的连续潮流、最优潮流这类老法子，面对新能源大规模接入后电网结构越来越复杂的局面，已经很难适应了。2025年伊比利亚半岛那次大停电事故就是个很明显的例子，证明电压问题真的很严峻。而像MCSVM、CDT、ANN这些纯数据驱动的模型，虽然看起来还行，但泛化能力差，遇到复杂多变的场景就容易失效。所以，咱们得想个新招。研究团队用了LightGBM算法来搭建模型，靠着GOSS梯度单边采样和EFB互斥特征捆绑这两项技术，把数据和特征维度都给压缩了，这就平衡了速度和精度。通过采集电压、潮流、新能源出力这些实时数据，用离线连续潮流的结果当标签来训练模型。在北欧32节点和IEEE118节点这两个系统上试了一下，整体准确率分别是99.30%和99.13%，而且用CPU跑的速度比别的方法快得多，特别适合处理大型复杂的电网。 面对电网拓扑或运行条件突然大变这种情况，纯数据模型可能就不管用了。为此咱们引入了增量学习技术，给LightGBM模型设计了个在线更新的策略。通过定义旧模型的参数、算算误差、动态调整一下样本权重，就能让模型在变化时快速迭代。仿真显示，IL-LightGBM更新一次只用不到0.5秒，RMSE更小、R²更高，比CT-LightGBM和FT-LightGBM都可靠得多。 为了让结果更可信，我们还融入了电力系统的物理机理。把负荷增长跟电压稳定的关系给找出来塞进损失函数里修正一下，这样就能保证模型输出符合电网运行的逻辑。在IEEE39和145节点系统验证时，机理一致性指标是0%，误差也大幅降低了。这种方法不光适用于LightGBM，RF、SVM这些模型也能用得上。 最后总结了三点结论：LightGBM能让评估又快又准；增量学习能让模型在线快速更新；加上机理约束能显著提升可靠性。下一步咱们还得整合更多物理因素，让机理和数据深度融合，搞出个“评估—控制”的闭环体系，把电压稳定裕度主动提上去，保障新型电力系统安全高效地运转。