考虑需求响应的配电网重构经济性和可靠性研究*

为充分利用配电网资源来延缓投资、降低成本,提出考虑需求响应的配电网重构,通过协调可调度负荷资源和调整配电网中的开关状态,不需增加额外投资,达到优化运行结构、平衡电力负荷、降低网络损耗、提高电压质量的目的。首先对考虑需求响应的配电网重构建立优化模型,以配电网网络损耗最小和需求响应调度成本最小为目标函数,利用改进的支路交换法对配电网的开关状态进行调整,通过改进的牛顿法对重构前后的配电网潮流进行计算,优化配电网的拓扑结构。通过仿真结果可看出,以网络损耗最小化的配电网重构的网络损耗和电压质量优于以需求响应调度成本最小化的情况,而调度成本方面以需求响应调度成本最小化的场景更有优势。     

基于改进极限学习机的短期电力负荷预测方法

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM) 在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。     

基于深度强化学习的城市配电网多级动态重构优化运行方法

随着配电网分布式电源的大量接入以及城市区域负荷的快速发展,使得配电网运行环境愈发复杂。同时由于配电网重构涉及大量的开关状态二进制零散变量,现有优化方法很难求解大规模城市配电网重构问题。基于此,提出一种基于深度强化学习的城市配电网多级动态重构方法。首先,建立基于深度学习的配电网多级重构快速判断模型,通过该模型实现对重构级别在线决策,并对智能体动作空间进行降维。其次,使用含参数冻结和经验回放机制的深度Q网络对预测负荷、光伏能源输出功率等环境信息进行学习。以运行成本、电压偏移度以及负荷均衡度最优为目标,通过习得的策略集对配电网进行动态重构与运行优化。建立多智能体强化学习模型,对各个时段的不同重构主体进行联合优化。最后,通过算例分析验证了所提方法的有效性。     

基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法

随着售电侧市场的逐步开放,集中式的供售电模式被打破,为获取更精确的区域短期负荷预测值,提出一种基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法。首先利用传统的k-means聚类算法对历史电力负荷数据进行负荷模式的提取,获取相同用电行为的用户负荷曲线。然后采用变分位鲁棒极限学习机对不同类负荷曲线分别建立预测模型,最后叠加单个的预测值形成最终的预测结果。通过设定不同的分位值来模拟不同的预测场景,以此得到所有可能性的预测值,即实现变分位-多场景的VQR-ORELM灵活预测。为验证所提方法的有效性,采用2个实际案例进行仿真分析。结果表明,相对于支持向量机、BP神经网络、极限学习机模型、鲁棒极限学习机模型,所提模型在聚类前后预测精度始终最高,进一步验证了所提方法的优越性和灵活性。通过k-means聚类后,所有模型预测性能都有较大提高。     

考虑多类开关动作特性差异的配电网两阶段协同负荷恢复模型

基于灾后配电网恢复流程,提出一种考虑多类开关动作特性差异的配电网两阶段协同负荷恢复模型。首先,分析多类开关协同动作过程并构建考虑故障隔离阶段和服务恢复阶段协同的基本恢复框架;其次,基于此框架建立计及停电孤岛的新型重构约束、开关动作约束、故障隔离约束、配电网运行约束;然后,以两阶段切负荷成本最小为目标函数建立恢复模型,并将其转化为混合整数线性模型;最后,利用改进的IEEE 33节点系统验证所提模型的可行性,结果表明所提模型的实用性更强,且可以有效提高配电网负荷恢复能力。     

神经网络法在以网损为目标的配电网重构中的应用

配电网重构是降低电网线损、提高经济性的重要手段。采用BP神经网络法进行配电网的重构,网络输入为电网负荷,输出为实现电网最小线损的开关开合状态,通过样本训练来实现对两者非线性关系的模拟。首先将电网负荷按负荷曲线特征及负荷水平分为三种类型和五种负荷水平;然后对不同负荷类型和水平下的最小线损采用最优化方法计算,作为网络训练的样本;以一个16节点系统为算例,验证了BP神经网络法在配电网的重构中的应用价值。为弥补以往研究的不足,探讨了神经网络结构对电网重构的影响,发现通过选择适当的输出神经元数目可以在不增加太多网络训练时间负担的前提下,提高神经网络在实际配电网中应用时的效率。     

考虑电动汽车充电负荷的配电网运行风险控制与优化

针对大规模充电负荷接入导致配电网运行风险增大,需要控制和优化的问题,采用加权分布熵为指标来评估配电网的运行风险,基于此提出了配电网接纳电动汽车极限辆数的评估方法,并由此建立了各节点接纳能力评估模型;基于优化潮流分布的原理,提出了通过网络重构和闭环运行来改善配电网运行风险的方法;根据节点脆弱程度提出了充电负荷接入节点优化方法来改善配电网的运行风险。仿真算例分析了配电网接纳电动汽车的极限辆数,并研究了网络重构、闭环运行和充电负荷接入节点优化对配电网运行风险的改善效果。仿真结果表明,该方法优化效果明显,可为控制和改善配电网运行风险提供参考。     

含电动汽车和智能软开关的配电网动态重构

提出含分布式能源、智能软开关(SOP)和电动汽车(EV)有序接入的配电网重构策略。基于上班族的出行习惯模拟EV的无序充电模型,并构建配电网重构下的SOP模型;对于接入的EV无序充电负荷,采用拉格朗日松弛分散式优化算法和虚拟电价进行EV的有序调度;以最小化网损费用,SOP运行费用,弃风、弃光费用与开关动作费用之和为目标函数,通过大M法和二阶锥松弛将配电网重构模型转化为混合整数二阶锥规划模型,采用CPLEX求解器进行求解。IEEE 33节点标准系统的仿真结果表明,在配电网动态重构中采用SOP代替传统开关能够提升配电网运行的经济性,同时采用所提有序调度方法优化EV充电可以改善配电网电压质量。     

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性。     

基于图注意力网络的配电网超分辨率量测生成方法

针对配电网中量测布局不均、精度不足等问题,提出了一种基于图注意力网络的配电网超分辨率量测生成方法。该方法可提高配电网状态量时空分辨率,且具有拓扑泛化能力,可适应配电网重构拓扑工况,以最小化量测采集实现配电网高精度状态感知。所提方法通过注意力机制学习节点电气状态量之间的关联关系,将潮流约束加入模型训练中并设计了模型训练所需的最小拓扑集,避免对训练样本数据的过拟合,提高生成模型泛化能力。最后,通过IEEE 33节点和IEEE 123节点标准配电网算例验证了所提方法的有效性。