基于可调负荷的电网运行优化策略研究

为进一步加强智能电网运行调控,提出一种基于可调负荷的运行优化策略。其中,考虑到传统负荷调控未考虑约束条件的问题,构建含供电约束的实时分布式可调负荷控制算法,从而对某一时刻接入电网的可调负荷进行实时控制,让电力总负荷变化曲线地向电网供电功率曲线逼近。验结果表明：本研究构建的算法可使总负荷功率曲线无限逼近计划供电功率曲线;当t=12,负荷调度得到的用电功率与总负荷功率之间的绝对差值维持在[0,3]kW之间,而不包含供电约束的实时分布式可调负荷控制算法的绝对差值波动范围在[1,6]之间。由此得出,引入包含约束条件的负荷调度效果更好。     

电动汽车充电系统建模与安全性分析研究

针对电动汽车无线充电技术因电磁兼容导致充电系统性能恶化和造成人体辐射危害的问题,结合感应耦合能量传输系统的原理,对电动汽车充电系统进行建模和安全性分析。首先,通过二端口网络模型对电动汽车输电特性进行计算;然后进行充电系统耦合机构的线圈结构选型和建模;最后基于耦合线圈的屏蔽原理和电磁环境对人体的影响机理,全面分析屏蔽条件下无线充电系统电磁兼容性。仿真结果表明,采用CST软件场路协同仿真功能可实现二端口网络的仿真分析,获取了输出功率为6 kW,输出效率为90%以上的无线充电系统。系统验证发现,提出的方法可提升系统性能和人体辐射的安全性,从而使得系统达到辐射标准限值。     

基于可持续发展的新能源电力工程造价控制措施研究

近年来,新能源电力工程发展快速,但造价控制存在前期准备工作不充分、缺乏规范化的管理机制等问题。为有效控制新能源电力工程造价,从可行环节的投资阶段、控制设计阶段造价、施工期间严控工程造价、严格控制工程变更、竣工环节提出工程造价控制措施。     

配电网变压器剩余使用寿命预测

变压器是配电网实现电压变换的关键设备,其安全性能关乎整个配电系统的可靠性。变压器剩余使用寿命的准确预测是实现其安全预警的前提条件,复杂的机械结构及多变的工作环境使材料之间产生温度波动而生成机械应力,应力的持续作用造成绝缘材料疲劳老化,导致变压器绝缘性能衰退而易发生突发失效。因此,本文提出一种基于粒子滤波器的变压器剩余使用寿命预测方法,以实现对多种工况下变压器剩余使用寿命的准确辨识。首先,给出变压器绝缘纸内部油温的计算方法,并以此建立变压器剩余使用寿命的估算模型;然后,采用粒子滤波算法对绝缘纸内部油温计算的不确定性进行概率量化,并将此不确定性描述转化为变压器剩余使用寿命估算的不确定性分布,获取更为准确的变压器剩余使用寿命值;最后,算例分析证明了所提方法的有效性。     

台风条件下含混合电氢储能的海上风电场并网运行智能控制方法

随着我国海上风电装机容量不断增加,经济发达、电力负荷大的沿海地区越来越依赖和关注海上风电的安全运行。在系统常规火电机组容量下降、系统惯量较低的情况下,海上风电场的友好接入问题变得尤为突出。特别是在台风期间,海上风电场在达到截止风速之前可能会与受端电网迅速断开,导致主网出现大量功率缺额、电压频率恶化等不利影响。为了解决风电固有波动性和台风引起的大扰动问题,提出了一种含混合电氢储能的海上风电场并网运行控制方法。该方法在海上风电场正常运行期间,通过合理安排储能和充放能,有效平抑了风电波动性;而在台风过境期间,通过合理使用混合电氢储能,缓解了海上风电输出骤降,减少对受端电网的不利影响。通过对广东某海上风电场的真实数据进行仿真研究,验证了所提方法的有效性。     

电力系统厂站及调度自动化探讨

随着我国社会经济与各项生产技术的共同发展，我国的电力系统也得到了不断地完善与优化。目前，电力系统作为我国重要的关注对象，电力系统厂站及调度自动化部分成为了重点发展的对象。     

VMD和混合深度学习框架融合的短期风速预测

风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即VHSTN (VMD-based hybrid spatio-temporal network).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions, IMF)分量,去除风速数据的不稳定性;然后针对各IMF分量,应用底部的CNN抽取空域特征;再用顶层LSTM提取时域特征,之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集WIND上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.     

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。     

基于随机森林的代码路径分支混淆技术研究

为了在高吞吐量应用程序中快速进行测量来监视物理过程,论文将通信吞吐量传输到中心服务器之前的测量数据预过滤过程转化为代码路径分支混淆技术,并将其视为二进制分类问题。利用决策树与随机随机森林构建了每种体系结构并提出了不同的实现方案,使用改进的冯·诺依曼体系结构的CPU理论模型和现场可编程门阵列(FPGA)来构建计算体系结构,并在FPGA上实现随机森林的应用。所提方法在Zedboard开发板上进行了实验,试验结果表明所提方法能有效地提高吞吐量和资源量,且降低了主板设备的功耗。     

考虑CO2排放量的能量枢纽运行配置优化

多能源系统通过电、热、气等不同形式能源在生产、传输、消费等多个环节进行协同优化为解决能源与环境问题提供了新方案.能量枢纽(EH)作为多能源系统的耦合环节,其配置方案对多能源系统的优化运行至关重要.在此背景下,本文提出了一种考虑CO2排放量的含电力、热能、天然气等不同形式能源的能量枢纽优化运行配置方案.在考虑CO2排放量的基础上,提出一个多目标优化问题,并采用遗传算法(GA)求解整体优化问题,从而实现社会效益最大化,CO2排放量最小化的目标.最后通过不同配置算例的分析比较验证所提方法的有效性,为能量枢纽的建设和运行提供理论和技术支撑.