基于深度强化学习的微电网在线优化

针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。     

基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。     

基于 GA-BP神经网络的稳态电能质量预测

针对稳态电能质量指标数据的时序性和非线性,提出一种基于遗传算法(GA)和BP神经网络的电能质量预测方法,将电能质量历史数据和负荷数据、气象数据作为网络输入,使用GA优化BP神经网络的初始权值、阈值,通过该网络完成数据集的训练与预测.最后使用某线路电能质量检测点获得的真实数据验证了模型的准确性、可行性.     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型.首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输出变量.其次利用遗传模拟退火算法不断修正网络节点连接权值,以最优适应度为标准,确定最优网络节点连接权值分布.最后,代入权值最优解,通过训练样本数据,获取最小方均差预测模型.分别应用本文提出的BP-GSA模型及其他四种传统方法,对某市2020年月度负荷进行预测.误差分析表明,BP-GSA模型预测精度最高.随后将BP-GSA模型分别应用于不同年份的月度负荷预测,预测结果表明其误差稳定,证明了模型的鲁棒性.     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

基于BP神经网络的IGBT模块开关损耗求解

如何准确求解绝缘栅双极晶体管(IGBT)模块的开关损耗值,是电力变换器性能和寿命研究中的关键问题之一。针对现有IGBT开关损耗模型难以准确求解开关损耗值的缺陷,引入了基于粒子群算法优化的误差反向传播(BP)前馈神经网络模型。将影响开关损耗的5个主要因素(集射工作电压、集电极电流、驱动电压、驱动电阻、结温)作为BP神经网络的输入向量,并采用粒子群算法优化网络的初始权值与阀值,通过共轭梯度法的学习规则加速收敛,从而获得开关损耗的精确求解值。该模型实现了在额定值范围内对各种工况下的IGBT模块开关损耗值的可靠预测,其在100组测试验证样本下所出现的最大误差比率为3.85%。     

基于相似日和径向基函数神经网络的光伏阵列输出功率预测

选取太阳辐照时间、辐照强度以及气温等影响光伏阵列输出功率的主要气象因素,根据相似日的输出功率具有较强的关联度,提出选择相似日的方法,设计基于相似日和径向基函数(RBF)神经网络的光伏阵列输出功率预测模型。选取最邻近的一个相似日与待预测日气象特征向量的差值作为RBF神经网络的输入变量,神经网络的输出值即为待预测日光伏阵列输出功率。以我国西北某地光伏阵列的实测功率数据对所提模型进行训练和验证,得到预测模型的平均绝对百分误差为13.82%,均方根误差为0.4054,验证了所提模型具有较好的精度。     

基于K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.     

基于GWO-MLP的光伏系统输出功率短期预测模型

准确预测光伏系统的输出功率对微网系统的优化调度具有重要意义。为了减小光伏系统输出功率短期预测误差,文中采用多层感知器(Multi Layer Perceptron, MLP)神经网络作为主要的预测载体,将光照强度、温度、风速数据作为MLP的输入,光伏系统的输出功率作为MLP的输出,采用光伏电站的历史数据对MLP进行训练,并针对MLP在初始化权重和偏置量中存在的随机性问题,提出运用改进灰狼算法(Grey Wolf Optimizer, GWO)对MLP的初始权重和偏置量进行优化,减小MLP随机初始化的误差。仿真结果显示,文中提出的GWO-MLP在均方误差(Mean Square Error, MSE)、均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)方面较MLP、Elman神经网络、支持向量机(Support Vector Machine, SVM)、极限学习机(Extreme Learning Machine, ELM)都有明显提高,表明所提方法可以准确预测光伏系统的输出功率。     

高渗透率分布式光伏接入的新型电力系统净功率预测

在双碳背景下,分布式光伏发电的大规模增加以及并网接入,对新型电力系统带来了巨大的挑战。高渗透率分布式光伏出力与电力负荷因受天气因素的影响,具有较强的不确定性和波动性,这在一定程度上增加了配电网净功率的预测难度。为了提高配电网净功率的预测精度,文章提出了Attention-双向GRU神经网络配电网净功率预测方法。文章首先对光伏出力特性、用户侧负荷特性、以及配电网净功率影响因素进行分析,充分掌握净功率受分布式光伏出力和用户侧负荷变化规律的影响。然后将Attention机制融入到双向GRU神经网络中建立了配电网净功率预测模型。其中,Attention机制赋予输入特征不同的关注度,双向GRU神经网络能够学习到净功率的时序特征,二者的完美结合,大大提升了净功率预测模型的表示能力和泛化能力。实验结果表明,文章提出的方法大大提高了配电网净功率预测精度,且性能优于对比模型。     

并网型分布式光伏发电辐照波动预警系统设计

针对传统系统太阳辐照波动预警准确率低、误差大和预测效率低的问题,提出并设计了新的并网型分布式光伏发电辐照波动预警系统,采用基于蚁群BP神经网络的辐照波动预测方法获取了预测结果的最优解。预警系统中包含太阳能电池组件、微型逆变器和单机辐照度预警子系统等,采用三端稳压模块LM7803电源模块,保障极端天气正常供电;选择单晶硅太阳电池片的光照传感器,将太阳辐射的光能变换成电能;采用指数平滑法结合趋势移动平均法对太阳辐照进行预测,得到预测时间段范围内的平滑指数,以此作为计算参数,根据蚁群BP神经网络算法,通过构建新传递函数,优化网络结构,改进BP神经网络训练,求出预测结果最优解。试验结果表明:所提系统能在不同天气条件下有效预测并网型分布式光伏发电的辐照波动,且预测误差较小;在不同天气类型下,系统预警的准确率始终高于98%,且预警时长平均用时24.08 s,相比于其他系统用时较短,实现预警系统稳定运行,保证输出电能质量,有力支撑系统优化。     

基于BP-ANN和出力波动特性的光伏系统短期功率预测模型

目前,光伏系统出力预测在精度方面还远不能满足电力系统调度的要求,已成为阻碍光伏发展的主要瓶颈问题之一。考虑到光伏系统的高度非线性特性,难以用传统的数学模型表征其输出功率与外界条件之间的映射关系。首先以传统反传播神经网络作为建模基础,建立光伏系统出力初步预测模型,再基于由光伏系统历史出力数据统计分析得到的波动量统计规律对初步预测结果进行修正,建立了具有较高精度的光伏系统出力预测模型。进一步进行算例仿真验证,结果表明所建立的光伏系统出力预测模型能够较好地反应现场实际情况。     

基于天气分型的风光出力互补性分析方法

基于天气分型的风光出力互补性定量分析方法能够科学指导风光互补发电系统优化调度。针对现有天气分型方法中主成分分析法无法提取非线性特征,分布领域嵌入(t-SNE)算法未考虑样本实际分布等不足,提出了基于核主成分分析(KPCA)和自组织特征映射(SOFM)神经网络的天气分型及风光出力互补性分析方法。首先,基于数值天气预报数据,利用KPCA进行特征向量提取;然后,以特征向量为输入条件,构建基于SOFM神经网络的天气类型划分模型;最后,基于波动互补率和爬坡互补率评估指标,从波动性和爬坡性2个角度定量分析不同天气类型下风光出力互补程度和最佳并网容量比例。结果表明不同天气类型下风光出力波动互补性及最佳并网容量比例差异明显,验证了所提方法的有效性。     

基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

无协调控制条件下分布式光伏电源的可接入容量分析

为了掌握无协调控制条件下分布式光伏电源接入配电网的容量区域,建立了含负荷和分布式光伏电源的配电网分析模型。并对负荷功率和分布式光伏电源容量沿馈线各6种典型分布,共计36种组合下的电压偏差和电压波动进行了分析,运用不等式关系对分析过程进行了简化,得到了各种组合下较实际情况更严格的分布式光伏电源允许接入的容量约束条件。以10k V城市配电网和农村配电网的典型参数为实例进行了分析,结果表明所建议方法的可行性。     

基于智能负载的光伏并网电压和频率稳定方法研究

将电力弹簧与非关键负载结合形成智能负载后,应用于分布式光伏并网系统中,以平抑入网造成的电压波动与频率偏差。首先分析了SL的工作原理,同时提出一种抑制电压与频率波动的控制方法,然后在Matlab/Simulink仿真平台中搭建含分布式光伏并网的低压馈电系统,在光伏出力波动的条件下仿真验证所提控制策略的有效性。结果表明,智能负载能够有效平抑分布式光伏并网引起的电压和频率波动。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。