潮流收敛性调整是保障电网安全稳定运行的基础。通过合理的潮流计算和调整，可以确保电力系统在不同运行状态下保持稳定，从而避免过载和失稳等潜在风险。由于电力系统的复杂性和不确定性，潮流不收敛问题可能由两种原因引起：一是系统本身存在无解的情况，二是算法无法有效找到解。因此，在解决潮流不收敛性问题时，需要综合考虑算法改进和电网运行方式优化等因素，采用合适的方法和技术手段来提高电网潮流收敛的稳定性和可靠性。 目前，关于潮流计算，已经提出了许多优化传统潮流计算方法的方案。文献[1]Z.Liu,X.Zhang,M.Su,Y.Sun,H.Han,P.Wang,Convergence Analysis of Newton-RaphsonMethod in Feasible Power-Flow for DC Network,IEEE Trans.Power Syst.35(2020)4100–4103.https://doi.org/10.1109/TPWRS.2020.2986706 ，在牛顿-拉夫逊方法的基础上提出了一种简便的初始值设置方法，可提高的电网潮流的收敛性。文献[2]K.Tang,S.Dong,J.Shen,C.Zhu,Y.Song,A Robust and Efficient Two-Stage Algorithm forPower Flow Calculation of Large-Scale Systems,IEEE Trans.Power Syst.34(2019)5012–5022.https://doi.org/10.1109/TPWRS.2019.2914431 ，提出了一种基于牛顿法的大系统两阶段潮流计算方法。文献[3]L.Guo,Y.Zhang,X.Li,Z.Wang,Y.Liu,L.Bai,C.Wang,Data-Driven Power Flow Calculation Method:A Lifting Dimension LinearRegression Approach,IEEE Trans.Power Syst.37(2022)1798–1808.https://doi.org/ 10.1109/TPWRS.2021.3112461 ，提出一种提升维线性回归方法，通过将潮流计算中的非线性关系转换为高维状态空间中的线性映射，能够显著提高计算精度。文献[4]Y.Zhou,J.Zhang,W.Gao,Fast Calculation Method for Continuous Power Flow of MicrogridBased on Levenberg-Marquardt Algorithm,IEEE Access 11(2023)49578–49586.https://doi.org/10.1109/ACCESS.2023.3249781，提出基于Levenberg-Marquardt算法的微电网连续潮流快速计算方法，该方法不仅保证了潮流计算的收敛性，还能够保证计算的效率。文献[5]Y.Xu,L.Mili,J.Zhao,Probabilistic Power Flow Calculation andVariance Analysis Based on Hierarchical Adaptive Polynomial Chaos-ANOVAMethod,IEEE Trans.Power Syst.34(2019)3316–3325.https://doi.org/10.1109/TPWRS.2019.2903164，提出一种层次自适应多项式混沌方差分析方法，具有优异的性能，包括精度、效率、合理性和适应性。文献[6]T.Wang,S.Wang,S.Ma,J.Guo,X.Zhou,An ExtendedContinuation Power Flow Method for Static Voltage Stability Assessment ofRenewable Power Generation-Penetrated Power Systems,IEEE Trans.CircuitsSyst.II Express Briefs 71(2024)892–896.https://doi.org/10.1109/TCSII.2022.3209335，提出了一种扩展连续潮流法，用于评估可再生能源发电渗透电力系统的静态电压稳定性。文献[7]Z.Fan,Z.Yang,J.Yu,K.Xie,G.Yang,MinimizeLinearization Error of Power Flow Model Based on Optimal Selection ofVariable Space,IEEE Trans.Power Syst.36(2021)1130–1140.https://doi.org/10.1109/TPWRS.2020.3012894，提出了线性误差最小化的线性潮流模型，该模型能够有效减小在大范围负荷波动时的线性化误差。 但是，上述传统的潮流方法不适用于复杂的电力系统。因此，文献[8–11][8]T.Wang,H.-D.Chiang,On the Holomorphic and Conjugate Properties forHolomorphic Embedding Methods for Solving Power Flow Equations,IEEETrans.Power Syst.35(2020)2506–2515.https://doi.org/10.1109/TPWRS.2019.2958870. [9]C.Liu,N.Qin,K.Sun,C.L.Bak,Remote Voltage Control Using theHolomorphic Embedding Load Flow Method,IEEE Trans.Smart Grid 10(2019)6308–6319.https://doi.org/10.1109/TSG.2019.2901865. [10]S.Zhou,M.Wang,J.Wang,M.Yang,X.Dong,Time-Process Power FlowCalculation Considering Thermal Behavior of Transmission Components,IEEETrans.Power Syst.35(2020)4232–4250.https://doi.org/10.1109/TPWRS.2020.2987945. [11]R.Yao,K.Sun,D.Shi,X.Zhang,Voltage Stability Analysis of PowerSystems With Induction Motors Based on Holomorphic Embedding,IEEE Trans.PowerSyst.34(2019)1278–1288.https://doi.org/10.1109/TPWRS.2018.2876429，提出了一种全纯嵌入潮流计算方法(Holomorphic embedding method，HELM)。HELM基于全纯函数理论，通过将电力系统的非线性潮流方程嵌入复空间，将其转化为线性方程进行求解。具体步骤包括：首先通过嵌入参数将潮流方程转化为全纯函数；接着对方程进行幂级数展开，将复杂的非线性问题转化为一系列线性方程；然后逐项求解幂级数，逐步逼近系统的真实解；利用幂级数的良好收敛性，避免了传统方法中的发散问题；最终通过幂级数的解恢复系统的节点电压和潮流分布。 对于需要迭代计算的潮流方法，全纯嵌入潮流方法的优势在于它避免了迭代过程，从而大幅降低了计算复杂度和收敛性问题。相比之下，全纯嵌入方法通过解析的方式直接求解潮流方程，因此更加可靠。 同时，潮流计算在人工智能方面的应用也在不断增加。文献[12]P.Li,W.Wu,X.Wang,B.Xu,A Data-Driven Linear Optimal Power Flow Model for DistributionNetworks,IEEE Trans.Power Syst.38(2023)956–959.https://doi.org/10.1109/TPWRS.2022.3216161，提出了一种数据驱动的配电网线性最优潮流模型，结合了支持向量回归(SVR)和岭回归(RR)算法，对测量中的不良数据具有鲁棒性。文献[13]M.Ahmad,N.Javaid,I.A.Niaz,I.Ahmed,M.A.Hashmi,An Orthogonal Learning Bird SwarmAlgorithm for Optimal Power Flow Problems,IEEE Access 11(2023)23659–23680.https://doi.org/10.1109/ACCESS.2023.3253796，提出了一种正交学习鸟群算法，该算法可用于解决最优潮流问题。它能够通过预测最佳组合的决策参数值，有效地减少实验测试用例的数量。文献 [14]X.Hu,H.Hu,S.Verma,Z.-L.Zhang,Physics-Guided Deep Neural Networksfor Power Flow Analysis,IEEE Trans.Power Syst.36(2021)2082–2092.https://doi.org/10.1109/TPWRS.2020.3029557，提出了一种物理引导的神经网络，用于解决潮流问题，具有高求解精度和良好的物理一致性。文献[15]Y.Tao,J.Qiu,S.Lai,A Supervised-Learning Assisted Computation Method for Power System Planning,IEEETrans.Artif.Intell.3(2022)819–832.https://doi.org/10.1109/TAI.2021.3133821，采用监督学习方法进行潮流计算。通过数据驱动方法的辅助，可以减少计算量并比传统的线性模型更准确地计算潮流。但以上算法泛化能力有限，对于新的、未见过的情况可能表现不佳，需要进一步改进和优化。并且，在复杂的电力系统中，确保潮流计算的准确性和收敛性至关重要，但是现阶段仍然效果不佳。