基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。     

基于生成对抗网络的综合能源负荷场景生成方法

综合能源负荷场景生成是研究能源计量、规划运行等领域问题的基础,具有重要意义。但由于数据采集困难、综合能源负荷多能耦合等因素的限制,综合能源负荷场景的多样化生成仍是一大难题。提出了一种基于生成对抗网络(generative adversarial networks, GAN)的综合能源负荷场景生成方法。首先建立梯度惩罚优化的Wasserstein生成对抗网络模型,解决综合能源负荷的高随机性可能带来的不收敛或模式崩溃问题。其次,基于深度长短期记忆(long short-term memory, LSTM)的循环神经网络构建生成对抗网络的生成器和判别器,使模型更适用于复杂综合能源负荷数据生成。算例结果表明,所提模型的生成负荷场景在概率分布、曲线标志性特征和冷热电负荷之间相关性等方面相较于蒙特卡洛法和原始生成对抗网络均获得了较好结果,可以在不同模式下生成具有多样性且逼真的负荷场景。     

基于条件生成对抗网络的多区域风电短期出力场景生成方法

基于预测功率结果,构建风电出力场景集是电力系统随机优化调度的重要基础。现有多区域风电出力场景生成方法主要是时空相关性系数约束的随机抽样方法。由于风电时空相关性特征的时变非线性,生成的场景集与风电实际出力差异较大。提出一种基于条件生成对抗网络的多区域风电出力场景生成方法。该方法采用三维卷积网络设计适用于多区域风电出力场景生成的网络结构,通过对条件生成对抗网络进行博弈训练,学习到多个区域风电实际出力数据的特征以及输入数据与输出数据之间的映射关系。以我国西北地区5个风电区域为例对所提方法进行分析,并与传统的以相关性系数为约束的拉丁超立方抽样方法进行对比;结果表明,所提方法生成的多区域出力场景集更符合风电出力特征。     

基于条件深度卷积生成对抗网络的新能源发电场景数据迁移方法

针对在历史数据缺失的情况下,现有的新能源发电场景生成方法存在精度较低甚至失效的问题,提出一种基于条件深度卷积生成对抗网络(conditionaldeepconvolutions generative adversarial network,C-DCGAN)的新能源发电场景数据迁移方法。该方法以历史数据大规模缺失的新能源电站为目标电站,以历史数据完整的邻近新能源电站为源电站,通过生成对抗网络模型学习源电站与目标电站之间的场景数据映射关系,进而根据源电站场景数据,生成目标电站场景数据,且所生成的数据符合真实场景数据分布规律。采用实际风电数据集对所提算法和模型进行验证,并应用若干统计学指标,分别对文中模型与条件生成对抗网络(conditional generativeadversarialnetwork,CGAN)模型所迁移生成的数据进行对比评估,结果表明所提算法与模型能够更加准确地生成新能源发电场景数据。     

基于生成对抗网络的负荷序列随机场景生成方法

随着可再生能源逐步渗透,电力系统随机性不断加强,其不确定性为调度、规划、运行带来了更大的挑战,因此需要研究针对不确定进行建模的方法。提出一种基于生成对抗网络的负荷场景随机生成方法,该方法基于深度卷积生成对抗网络架构,以JS散度作为目标函数,对生成器以及判别器交替进行训练。针对生成负荷序列质量的衡量,从数据多样性以及锐度2个方面,提出TSTR(train on synthetic test on real)以及TRTS(test on real train on synthetic)2个指标,基于支撑向量回归模型进行判断,实验结果表明,随着训练的进行,生成器产生的数据质量逐渐提高,且当训练完成时可以产生满足多样性以及锐度要求的数据。     

基于条件生成对抗网络的风电功率极端场景生成

针对风电功率不确定的电力系统调度和规划问题,提出了一种极端场景生成框架。首先,采用迭代方式对历史数据集的分布进行转移,解决了历史数据集中极端样本不足的问题。其次,根据风电功率特征定义不同的极端度量,并对风电功率场景设置不同的极端度量范围,实现不同极端度量范围下的可控生成,增强场景生成的可解释性。然后,通过条件生成对抗网络实现极端场景的可控场景。最后基于风电功率实时数据进行验证。结果表明：所设计的框架不需要复杂的概率建模和采样过程,同时可以捕捉到不同极端情况下的随机特性和动态特性。所提出的方案生成场景的极端度量值准确率在90%以上,能够在可控的极端度量范围以及误差范围内有效生成场景。     

基于编解码器的电力施工场景可控图像字幕生成

电力施工场景图像字幕生成采用基于深度学习的编解码技术理解图像信息，并转换为文字描述输出，从而预警安全隐患，丰富了传统图像分析技术的输出形式。传统图像字幕生成方法缺乏可控性且细节描述不充分，针对电力施工场景图像描述的研究匮乏。为此，该文提出一种基于编解码器的可控图像字幕生成优化方法。引入新的特征提取模型，以FVC R-CNN(faster and visual commonsense region-convolutional neural network)模型作为编码器，提取图像的显著特征和视觉常识特征，并改进激活函数以得到改进的基于M-tanh的长短时记忆(M-tanh long short-term memory,MT-LSTM)神经网络用于特征解码，最后通过多分枝决策策略优化输出。在Ubuntu 16.04和PyTorch深度学习框架下对电力场景描述数据集进行了训练和测试，实验结果表明图像字幕生成准确率不仅得到显著提高，而且增强了场景描述的可控性，可有力提升电力施工现场的安全管理智能化水平。     

基于Copula函数的风电时序联合出力典型场景生成

针对风、光出力进行典型场景生成是电力系统规划和运行中应对风、光出力不确定性的常用方法,然而现有的典型场景生成方法未考虑不同时刻出力分布函数的差异性。在此背景下,针对分布式可再生能源发电的不确定性和相关性,创新性地考虑了不同时刻出力分布函数的差异性,运用Copula函数建立了多风电场时序联合出力模型;对模型进行概率抽样、拼接生成大量初始场景集,采用K-means聚类算法进行场景缩减生成风电时序联合出力典型场景。算例分析表明,所得的风电时序联合出力典型场景符合出力的相关性,并可以体现出力分布函数在不同时刻的差异性,在反映同一地区多风电场实际出力方面具有更高的准确性,可以更加有效地指导电力系统的优化运行。     

基于深度学习的交通标志文字信息检测与识别方法

为解决无人驾驶汽车外界环境感知系统对交通标识文字信息检测问题,提出一种在自动驾驶场景下对交通标识的文本信息进行检测并识别的两阶段方法,实现了自动驾驶信息精细化采集。首先使用YOLO检测器检测交通标识,同时使用本文改进的DB检测网络对场景内文本进行检测,将交通标识检测结果与场景文本检测结果进行交集运算得到待识别文本区域;最后使用轻量化CRNN网络对待识别区域文本进行识别。使用CSCT-1600数据集和MTWI-2018数据集分别进行训练和测试。实验结果表明,交通标识信息定位算法在召回率为92.98时精确度为94.95%,交通标识信息识别算法在F1为77.2%时识别速度为25帧。     

考虑输出功率相关性的光伏电站典型场景生成方法研究

含光伏的传统概率潮流计算常使用Beta、Weibull等分布模型,但这些模型难以精确体现不同场景下输出功率特性的变化。针对此问题,文中提出一种光伏输出功率多场景生成方法。该方法将多个光伏电站输出功率的相关性以及相关性跟随外界条件的变化纳入考量范围,可实现多个光伏电站输出功率的精确建模。首先,对光伏电站历史输出功率数据进行基于密度中心的聚类处理,产生的多个聚类中心作为输出功率场景;其次,对不同场景进行核密度估计,建立Copula函数以描述多个输出功率的概率分布;然后,对生成的多场景概率分布模型进行拉丁超立方采样,利用生成的样本进行概率潮流计算,评估含光伏的配电网运行状态;最后,分析算法的稳定性,讨论采样规模对计算结果的影响。结果表明,文中提出的多场景生成方法有助于提升光伏输出功率的建模精度和概率潮流计算精度。     

基于交通均衡的电动汽车快速充电负荷模拟

电动汽车的发展普及使得城市交通系统和电网紧密耦合,二者的交互影响日渐显现。针对传统充电负荷分析未能有效考虑交通网络特性的不足,该文建立了基于交通均衡的充电负荷模拟方法。首先,考虑用户快速充电决策过程,提出快速充电负荷模拟框架。其次,建立混合车辆流交通均衡模型,考虑用户行为相互影响,对各充电站充电负荷进行计算分析。再次,建立最优路径生成模型并采用分支定价方法进行路径生成,求解交通均衡模型,提出快速充电负荷模拟的算法流程。最后以西安市交通路网为例验证模型正确性,说明在充电负荷分析中考虑交通因素的必要性。算例也揭示了利用电价调整充电负荷空间分布的可能性。     

考虑交通网与配电网耦合基于数据包络分析的电动汽车充电设施多阶段规划方法

近年来,电动汽车快速增长带来了对充电设施需求的增长,但当前普遍存在着充电设施数量与电动汽车规模不匹配、布局不合理等问题,原因在于充电设施的规划未考虑规划时序和交通网的需求。为此,提出一种考虑交通网与配电网耦合的电动汽车充电设施多阶段规划方法。首先,基于用户均衡配流原则,构建交通网与配电网的耦合模型,采用蒙特卡罗抽样方法生成多场景下的车流量分布情况;然后,将规划周期分为多个阶段,以用户充电满意度、经济性和电压波动性为优化目标,建立基于数据包络分析方法的多阶段规划模型;最后,以IEEE 33节点配电网与12节点交通网组成的耦合网络作为算例,采用改进的自由搜索算法进行求解,得到各阶段的优化配置方案。仿真结果表明,所提方法得到的规划方法能够使充电设施的规模更好地匹配电动汽车数量的增长。     

基于动态交通信息的电动汽车充电负荷时空分布预测

电动汽车充电负荷预测是研究电动汽车与电网互动的重要前提。针对交通路网信息对电动汽车行驶规律的影响,考虑电动汽车的交通工具特性和移动负荷特性,提出了一种基于动态交通信息的电动汽车充电负荷时空分布预测方法。该方法首先针对城市路网多交叉口特征,提出建立考虑路段阻抗和节点阻抗的动态路网模型。并根据路网规模确定了相应的交通网-配电网的交互模型。其次引入OD矩阵分析方法和实时Dijkstra动态路径搜索算法为电动汽车分配起止节点和规划行驶路径,模拟其动态行驶过程和充电行为。最后设计了电动汽车路径规划实验和典型区域实际路网充电负荷预测实验。结果表明,电动汽车充电负荷在不同功能区域分布存在差异且时间分布上不均匀,验证所提方法的有效性和可行性。     

A Medium-Term Integrated Risk Management Model for a Hydrothermal Generation Company

This paper presents a methodology to manage the market risk faced by a hydrothermal generation company in the medium-term (one year). This risk is due to uncertainty in fuel prices, power demand, water inflows, and electricity prices. The proposed methodology includes three steps: the generation of scenarios for these random parameters, the approximation of these scenarios by a multivariate scenario tree, and the optimization of the company's operational and financial hedging decisions under a stochastic programming framework. The optimization model permits the representation of a diversified generation portfolio and measures risk exposure by means of conditional value-at-risk. A realistic numerical example is solved to illustrate the possibilities of our approach.     

智能汽车拟人驾驶风险量化方法研究

驾驶风险量化评估对智能汽车拟人驾驶决策至关重要,针对复杂多任务场景下的驾驶风险量化问题,提出了一种基于 人类风险感知机理的智能汽车驾驶风险量化方法。 首先,利用传感器获取驾驶场景周围环境信息与行驶状态信息,并根据人类 驾驶经验对潜在冲突因素赋值代价,生成驾驶场景代价地图;其次,根据车辆运动状态与拟人驾驶的基本原则,利用高斯函数建 立动态风险模型;最后,结合驾驶场景代价图与动态风险模型实时计算拟人驾驶风险量化值。 仿真结果表明,提出的方法能够 基于人类驾驶经验,计算出动态变化的驾驶风险量化值,应用于智能汽车自动驾驶决策,可产生拟人驾驶行为。     

碳排放最小化条件下电动汽车有序充电策略研究

针对清洁能源和传统能源发电设备的碳排放特性、清洁能源所在位置以及负荷的时空分布特点等因素,参考历史运行数据,建立电动汽车充电与发电设备边际出力增长关系的模型。考虑电动汽车出行特性及其电池充电特性,建立电动汽车无序充电情景下的边际碳排放增长模型。为更多地利用清洁能源,以减少电动汽车充电行为引起的边际碳排放增长,提出碳市场中电动汽车充电与清洁能源,协同的有序充电策略。最后,以碳费用计算模型为基础,提出电动汽车碳排放的评价指标。在算例中,根据提出的评价指标对电动汽车碳排放进行分析。结果表明,与电动汽车无序充电相比,电动汽车与清洁能源协同的有序充电策略可有效地减少边际碳排放增长和碳费用。     

含电动汽车的虚拟电厂鲁棒随机优化调度

随着电动汽车和分布式电源接入电网的比例不断提升,虚拟电厂为有效解决电动汽车、分布式电源并网提供了新思路。由于可调度充放电的电动汽车数量和分布式电源出力存在明显的不确定性,因此虚拟电厂优化调度时必须考虑这些不确定性。在此背景下,采用场景模拟技术处理风电出力的不确定性,形成经典场景。针对可调度电动汽车数量的随机性与不确定性,利用鲁棒优化方法建立了原模型的对偶模型,构建含电动汽车的虚拟电厂鲁棒随机优化调度模型。算例分析证明了所提模型具有实用性和有效性,在优化调度模型中考虑不确定性的影响,可减小实际日运行成本,提高优化策略的鲁棒性。结果表明鲁棒系数和置信水平影响了日运行成本,通过合理制定燃气轮机等常规机组的发电计划可以减小日运行成本。     

考虑风光不确定性与电动汽车的综合能源系统低碳经济调度

综合能源系统耦合负荷侧多种能源需求,是就地消纳分布式能源的有效手段。为协调多利益相关者场景下综合能源系统与电动汽车之间的调度问题,提出了一种考虑风光不确定性与电动汽车的综合能源系统双层模型的优化调度策略。首先,针对风光出力随机性,采用拉丁超立方采样生成场景,然后利用改进削减速率的快速前代消除技术进行场景削减。其次,为了挖掘电动汽车的需求响应潜力,在分时电价基础上,根据负荷与可再生能源的匹配度提出一种动态定价机制来引导电动汽车有序充放电,并研究其充放电策略对运行成本与碳排放量的影响。最后,算例分析结果表明,与分时电价相比,所提定价机制与调度策略能提高能源利用率与EV的调度灵活性,有效降低两利益相关者的运行成本与系统的碳排放量。