计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。     

含微网的配电网多目标优化规划研究

随着配电网中微网容量的逐年增加,为了增加配电网可靠性并减少线路损耗及重复建设,亟需在规划阶段对配电网的网架结构及电源设置做出一定优化。选取了适用于规划研究的微网模型,提出了配电网规划中最重要的2个目标函数——可靠性及经济性目标函数,并根据配电网规划优化的要求,选取量子粒子群算法来求解该优化问题。将所提出含微网的配电网优化规划方法应用于某地区实例,结果表明,该优化方法可以显著提高含微网配电网的可靠性及经济性指标。     

基于互Box-Cox变换和Markov链风速云模型的发电系统充裕度评估

为准确计及风速随机性和自相关性对风电并网系统充裕度的影响,建立基于互Box-Cox变换和Markov链的风速云模型,并将该模型与时序Monte Carlo模拟法结合,提出计及风速随机性和自相关性的风电并网系统充裕度评估方法。仿真结果表明,所提模型产生的仿真风速样本与实测风速样本具备相似的概率分布特性和自相关性,所提方法可较精确地评估风电并网系统充裕度及风电容量可信度。     

SF_6分解组分的红外光谱定量测定

SF6发生局部放电时会生成一定的稳定特征分解组分,利用这些特征组分可以监测GIS内部绝缘状态。分别采用SF6气体与高纯氮气作为红外检测背景气体获取SF6分解组分的光谱图进行了比较,选取SF6作为红外检测背景气体。测量了SOF2、SO2F2、SO2、CO标准气体的红外吸收光谱图,选取了其最优吸收峰,计算了最优峰处的吸光系数。对局部放电试验装置进行了放电量标定,在5个局部放电量下进行多组红外检测,结果表明存在临界放电量,不同放电时间和放电量下各组分产气率不同。SOF2、SO2F2的产气率随放电量及放电时间变化较有规律,可以用产气率反演局部放电程度;SO2和CO产气率变化复杂,但其变化趋势同样可以用于表征内部绝缘状态。     

含微网的配电网多目标优化规划研究

随着配电网中微网容量的逐年增加,为了增加配电网可靠性并减少线路损耗及重复建设,亟需在规划阶段对配电网的网架结构及电源设置做出一定优化。选取了适用于规划研究的微网模型,提出了配电网规划中最重要的2个目标函数——可靠性及经济性目标函数,并根据配电网规划优化的要求,选取量子粒子群算法来求解该优化问题。将所提出含微网的配电网优化规划方法应用于某地区实例,结果表明,该优化方法可以显著提高含微网配电网的可靠性及经济性指标。     

计及季度趋势变时间步长风速仿真模型及应用

为提高风电并网系统充裕度评估精度,提出计及季度趋势的变时间步长风速仿真模型。该模型应用奇异谱分析从风速样本中提取季度趋势和随机波动分量,应用线性插值和奥恩斯坦-乌伦贝克过程对两分量建模,产生任意时间步长的仿真风速样本。将该模型嵌入蒙特卡罗模拟法,提出风电并网系统的季度充裕度评估方法。应用该模型仿真某观测站风速样本,评估风电并网IEEE-RTS发电系统的季度充裕度,结果表明,该模型可产生与实测风速样本统计指标等特征接近的任意时间步长仿真风速样本,且季度充裕度评估精度较高。     

基于互转换Ornstein-Uhlenbeck过程的风速仿真模型及应用

准确的风速仿真是研究含风能发电系统的重要且基础步骤.为此,提出基于互转换Ornstein-Uhlenbeck过程的风速仿真模型,该模型可产生任意时间步长的仿真风速样本,将其与时序Monte Carlo模拟法结合,提出仿真时间步长可变的含风能发电系统充裕度评估方法.然后,采用某观测站的实测风速样本验证所提模型,结果表明,...     

配电网可靠性薄弱元件辨识模型及应用

可靠性跟踪方法是辨识电力系统薄弱环节的主要方法之一,通过跟踪分析可得到各元件对系统可靠性指标的贡献率,分析得到系统的薄弱环节。基于配电网分块算法和可靠性跟踪准则,提出配电网元件可靠性双层分摊模型,深入分析了可靠性跟踪指标,基于跟踪结果辨识出系统的薄弱环节,并给出可靠性的改善措施。应用可靠性跟踪原理以及双层分摊模型,对IEEE RBTS BUS6系统以及某地区实际配电系统进行了算例分析,辨识出以上系统的薄弱环节,并给出了可靠性改善措施。     

基于张量SOM和VAE的多风电时空功率日场景生成北大核心CSCD

现有场景生成方法往往忽略时空功率相关性的多样性,且无法准确反映原始场景中功率时空分布关系。针对该问题,文章首先以功率日场景的时空二阶张量距离为依据,采用自组织映射神经网络将具有相似时空相关性的日场景历史样本聚合;然后分别构建各簇日场景的变分自编码器编码解码网络,编码得到各簇场景隐含特征,对其按比例进行独立抽样;解码后再聚合,获得随机模拟新场景集合。实际算例结果表明,文章所提出的方法能有效生成符合真实多风电场功率时空相关性和概率分布规律的多风季和少风季风电功率时空场景数据。     

考虑训练样本分布不均衡的超短期风电功率概率预测

提出一种考虑训练样本分布不均衡的超短期风电概率预测方法。首先构建深度信念混合密度网络,通过深度信念网络独特的预训练和微调机制提取输入变量的隐特征,利用Beta混合概率分布的有界性准确表征风电预测功率的概率分布,实现隐特征与预测功率概率分布参数之间的非线性映射;然后引入训练样本分布平滑策略,其中特征分布平滑技术用于校准输入特征,标签分布平滑技术用于对各样本误差赋予差异化权重,从输入和输出两方面改善训练样本分布不均衡现象对预测结果的不利影响。实际算例结果表明,与常见风电功率概率预测模型相比,所提模型在点预测和概率预测方面均能获得较高的预测精度,尤其能有效提高低密度样本区域的预测精度。