基于恢复力约束的分布式储能优化规划

提出基于恢复力约束的分布式储能优化规划方法,以保证重要用户的恢复力为前提条件,采用双层耦合规划模型。内层模型在满足电网运行的潮流约束下,灵活地控制重要用户侧分布式储能参与需求侧响应,实现用电成本与动作频次最小的目标,采用竞争深度Q网络（dueling deep Q network, DDQN）结构的深度增强学习方法进行求解,内层模型将分布式储能响应策略传递给外层模型;外层模型进一步基于重要用户的恢复力约束和投资收益校核分布式储能的配置方案,通过双层优化耦合反馈,最终实现基于恢复力约束的分布式储能优化规划。通过分时电价引导分布式储能等重要互动资源参与配电网的优化运行,保证重要用户电力供应连续性的同时给用户明显的投资收益。最后以某10 kV变电站的重要用户储能优化配置为例,分析了所提方法的有效性。     

基于协同强化学习的微电网分布式两级电压优化控制

由于微电网中分布式电源组成复杂,运行模式多样,孤岛微电网的电压恢复控制面临着不确定性干扰的影响。为此,针对不确定性干扰下微电网的二级电压恢复控制问题,提出了一种基于协同强化学习的微电网分布式两级电压优化控制方法,实现孤岛模式下微电网的电压调节控制。首先构建孤岛微电网分布式一致性协同电压控制算法,并建立李雅普诺夫函数稳定性判定方法。其次根据控制器性能与控制器增益参数的关系,求解孤岛微电网电压控制器增益上界,并根据控制器增益参数上界限制强化学习智能体动作集。随后,采用强化学习算法优化二级控制器增益参数,给出相应的强化学习智能体状态集、协同全局奖励函数。最后在Matlab/Simulink上通过仿真实验验证了所提出的控制方法的有效性和适应性。     

分布式屋顶光伏接入下并网功率平衡控制方法

由于逆变器间电流的有效值相差较大,传统的分布式屋顶光伏接入下并网容易出现失衡问题。提出一种分布式屋顶光伏接入下并网功率平衡控制方法。根据分布式屋顶光伏接入并网原理,建立分布式屋顶光伏接入并网结构模型,确定光伏阵列和逆变器的数学模型;采用矢量图表达分布式屋顶光伏接入并网功率平衡变化,确定并网零序电压与逆变器三相输出电压之间的矢量关系;计算逆变器三相额定功率、三相功率误差及零序分量的幅值和相位,设计零序分量叠加的逆变器相间功率控制框图,使逆变器相间功率平衡。确定仿真参数,设置实验工况条件,仿真控制结果：在并网功率失衡不严重的工况1条件下,该文研究方法的电流有效值相差±0.01 A,小于其他2种对比方法;在并网功率失衡严重的工况2条件下,该文研究方法的电流有效值相差±0.02 A,远小于其他2种对比方法。说明该文方法的控制性能优于其他2种对比方法,具有较大的应用价值。     

分布式储能应用模式及优化配置综述

为促进新能源的发展,解决大规模分布式电源（Distributed Generation, DG）直接接入配电网和负荷急剧增长对电网规划及运行带来的问题与潜在威胁。分布式储能技术得到了广泛应用,由于其具有快速功率吞吐能力、控制精度高、安装灵活、多主体利益等特点,可从根本上保障配电网供电的安全与稳定性。介绍了分布式储能的发展状况,根据其接入位置在分布式电源侧、中低压配电网侧和用户与微网侧详细归纳了近年来国内外各种分布式储能应用模式的研究成果,重点就其位置和容量的选择问题总结了分布式储能优化配置的各类数学模型及优化算法。并结合分布式储能在配置过程中存在的问题,对其发展趋势进行了展望。     

考虑虚假数据注入攻击的有源配电网分布式状态估计

状态估计作为保障电网监测数据质量的关键一环,为能量管理系统提供可靠的数据基础。考虑到有源配电网量测误差大、易遭受网络攻击等问题,本文研究计及虚假数据注入攻击的有源配电网分布式状态估计方法。首先,各子区域根据自身量测进行状态估计,并利用平均一致性算法获取全局信息对内部状态量进行修正,实现完全分布式状态估计;其次,在子区域状态估计中引入权函数动态修正目标极值函数的权重矩阵,增强状态估计的抗差性能;然后,在边界节点和易受到虚假数据注入攻击的节点配置同步相量测量单元,提高辨识虚假数据攻击的能力;最后,利用IEEE 118节点配电网系统进行算例仿真验证。试验结果表明,本文所提出的状态估计方法不仅可以有效减小估计误差,还能准确辨识虚假数据注入攻击,提高了状态估计的精度和虚假数据注入攻击的辨识能力。     

直流微网母线电压纹波集中补偿自寻优策略

为抑制直流微网母线电压二次纹波,文中提出了一种直流有源滤波器集中补偿自寻优策略。在双向DC/DC变换器电压/电流双闭环控制的基础上,加入直流母线电压纹波控制,通过引入带通滤波器消除了传统控制方法中采用低通滤波器提取纹波时所产生的相位滞后问题。采用迭代自寻优方法获取重要控制参数阻抗系数K,实现直流有源滤波器对直流母线电压纹波变化的实时跟踪和集中补偿。在MATLAB/Simulink中搭建了含互联接口变流器、分布式电源、直流负荷、由DC/AC变流器接入的交流负荷以及直流有源滤波器的直流微网模型,建立了相应的实验平台。仿真和实验结果均验证了所提控制策略的有效性。     

基于历史梯度平均方差缩减的协同参数更新方法

随机梯度下降算法(SGD)随机使用一个样本估计梯度,造成较大的方差,使机器学习模型收敛减慢且训练不稳定。该文提出一种基于方差缩减的分布式SGD,命名为DisSAGD。该方法采用历史梯度平均方差缩减来更新机器学习模型中的参数,不需要完全梯度计算或额外存储,而是通过使用异步通信协议来共享跨节点的参数。为了解决全局参数分发存在的“更新滞后”问题,该文采用具有加速因子的学习速率和自适应采样策略：一方面当参数偏离最优值时,增大加速因子,加快收敛速度;另一方面,当一个工作节点比其他工作节点快时,为下一次迭代采样更多样本,使工作节点有更多时间来计算局部梯度。实验表明：DisSAGD显著减少了循环迭代的等待时间,加速了算法的收敛,其收敛速度比对照方法更快,在分布式集群中可以获得近似线性的加速。     

分布式光伏发电系统的应用研究

随着新能源的快速发展,分布式光伏发电得到普遍推广应用,在碳达峰和碳中和的政策背景下,光伏发电从以集中式地面电站为主逐步过渡到分布式发电遍地开花的应用阶段,既考验电力系统的承载能力,同时促进新型电力系统网络架构的加速建设,本文通过对分布式光伏发电多种应用形式的研究介绍,结合当前存在的一些问题提出改善建议。     

一种适用于无线医疗传感器网络的基于区块链的无证书聚合签名方案

随着无线通信技术的迅速的发展,无线医疗传感器网络正在推动着智能化医疗的进步.医疗传感器节点能够收集病人的医疗数据,并将其传输给医生进行诊断与治疗.但是,无线医疗传感器网络中的通信安全、病人的身份隐私以及对集中式服务器过度依赖等问题亟待解决.针对上述问题,提出了一种适用于无线医疗传感器网络的基于区块链的无证书聚合签名方案.该方案无需集中式的医疗服务器,通过基于分布式哈希表存储机制以链上-链下的方式存储医疗数据,保证了医疗数据的安全和去中心化存储;同时,本文方案通过智能合约技术实现医疗传感器节点在许可区块链上身份来源认证.在随机预言模型下证明了该方案具有不可伪造性,并且满足可追踪性,匿名性等安全需求.与现有其他相关的方案相比,该方案在签名和验证阶段的计算和通信开销更具优势.     

基于本地蒸馏联邦学习的鲁棒语音识别技术

当联邦学习（FL）算法应用于鲁棒语音识别任务时,为解决训练数据非独立同分布（Non-IID）与客户端模型缺乏个性化问题,提出基于个性化本地蒸馏的联邦学习（PLD-FLD）算法。客户端通过上行链路上传本地Logits并在中心服务器聚合后下传参数,当边缘端模型测试性能优于本地模型时,利用下载链路接收中心服务器参数,确保了本地模型的个性化与泛化性,同时将模型参数与全局Logits通过下行链路下传至客户端,实现本地蒸馏学习,解决了训练数据的Non-IID问题。在AISHELL与PERSONAL数据集上的实验结果表明,PLD-FLD算法能在模型性能与通信成本之间取得较好的平衡,面向军事装备控制任务的语音识别准确率高达91%,相比于分布式训练的FL和FLD算法具有更快的收敛速度和更强的鲁棒性。