基于社交网上演化博弈的光伏台区用户需求响应特性研究

“双碳”背景下,通过实施需求侧响应实现新型电力系统的协调运行是解决新能源出力不确定性的主要手段。然而,现实中的用户具有有限理性,其对电价或激励措施的响应呈现出异质性和不确定性。针对此,文章计及有限理性用户对电价或激励措施响应过程中的信息交互以及策略学习特征,提出了一种基于社交网上演化博弈模型的用户需求响应分析模型。首先,考虑到现实经济人在决策中存在信息交互以及策略学习与更新,且该信息交互背后为复杂社群系统,通过构建社交网刻画了用户之间的信息交互关系;其次,根据电价理论和电力供需平衡关系,单个用户的响应决策将会影响其他用户利益,采用博弈模型描述了群体用户的决策过程;最后,考虑到用户对所获取信息处理的有限理性特征,基于社交网上演化博弈模型来描述用户对电价和激励措施的响应过程。仿真分析了不同社交网络结构以及电价或激励措施对用户响应的影响。结果表明,用户社交网小世界属性的增强将会提高用户的响应,价格系数的提高会降低用户的用电意愿。     

基于时域有限积分技术的四级串联快脉冲直线型变压器驱动源电磁特性

快脉冲直线型变压器驱动源（FLTD）感应腔内部结构和媒质分布复杂,支路放电时快速上升沿脉冲将使空间离散更为繁密,导致计算量剧增。该文利用时域有限积分理论首次研究4级串联共用、独立腔体结构MA级FLTD在支路放电时的电磁场分布规律。使用场路耦合将电路中电容元件的放电电流作为激励耦合至三维场模型,使用非均匀网格对FLTD初级感应腔内的关键部件剖分网格进行加密处理,使用表面阻抗边界条件描述良导体以降低求解自由度数量,使用基于等效原理的区域分解算法将4级串联FLTD划分为24个不同的求解子区域。结果表明,时域有限积分技术可有效分析FLTD初级腔体内脉冲放电瞬态过程,两种感应腔结构的输出性能和电磁场分布基本一致,4级串联共用腔体结构FLTD设计方案可行。     

面向 PDR 定位系统的多层感知机 IMU 阵列数据融合方法

为提高低成本惯性测量单元(intertial measurement unit,IMU)阵列的行人航位推算(pedestrian dead reckoning,PDR)定位 精度,首次提出了采用多层感知机(multi-layer perceptron,MLP)实现低成本 IMU 阵列数据融合的算法,通过将自主设计的 IMU 阵列和高精度 IMU 同步运动来获得 IMU 阵列的测量数据(包括三轴加速度和三轴角速度)和高精度 IMU 的测量数据,以高精 度 IMU 的测量数据作为标签,利用 MLP 将 IMU 阵列的测量数据融合,预测出物体的实际加速度和角速度,并用定位算法进行 验证。 在定位实验中,使用 MLP 融合后的预测数据的 PDR 定位精度比使用单个 IMU 测量数据的 PDR 定位精度提高了 33. 9%;比使用简单平均处理的 IMU 阵列测量数据的 PDR 定位精度提高了 20. 8%;比使用最小二乘法融合的 IMU 阵列测量数 据的 PDR 定位精度提高了 11. 6%,证明了本文所提出方法的可行性和有效性。     

基于改进 VMD-GAT-GRU 的交通流量组合预测模型

针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛 速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预 测模型。 首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了 时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测 节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子 序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的 RMSPRop 优化算法迭代寻优,在提升优化算法收敛速度的 同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出。 实验采用 RTMC 系统交通数据,结 果表明,该文提出的改进 VMD-GAT-GRU 时空融合组合预测模型相较于 LSTM、GCN 和 GAT 基准模型,平均绝对误差(MAE)分 别降低 9. 35、4. 12、4. 09,平均绝对百分比误差(MAPE)分别降低 16. 42%、7. 32%、8. 1%,优化算法的收敛速度和组合模型的预 测精度均得到有效提升。     

核聚变发电厂电气主接线系统设计

依托一套与CFETR聚变堆机组功率对应的350 MW发电机组项目,根据核电站设计等规程规范,同时参考国内300 MW及以上核电机组设计经验,对电气系统设计进线进行分析。该项目中,1台350 MW级机组采用发变组的单元接线方式接入厂内220 kV配电装置,220 kV配电装置采用双母线接线形式。厂用电系统由主交流电源系统、厂内备用电源系统和直流及不间断电源系统组成。基于该项目尚处于概念设计阶段,介绍了核聚变发电厂电气主接线系统的设计特点和安全设计准则,可供核电站电气设计人员参考。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD） –卷积神经网络（convolutional neural networks,CNN） –双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

智能变电站物联网智能传输单元技术实现方法

随着智能电网及物联网技术的飞速发展,变电站逐步向智能化变电站推进。由于变电站长期无人在现场管理,监控中心对变电站的环境及设备安全的实时监控显得尤为重要,物联网智能传输单元就是为了实现这一目的而设计的。物联网智能传输单元采用物联网技术,通过 RS 485、RS 232 接口和GPIO 接口采集变电站内的环境设备数据和其他监测设备数据,根据 TCP/IP 协议通过以太网络与中心平台交换数据。     

基于CNN-BiGRU-Attention的非侵入式负荷分解

随着智能电网的迅速发展,为了有效提高电能的使用率,合理规划电能资源,建立全国范围内的智能用电和负荷监测系统,非侵入式负荷监测(NILM)和分解问题一直受到广泛关注。为提高非侵入性负载分解性能,提出一种基于耦合神经网络的非侵入式负荷分解方法。首先,对数据集进行归一化和预处理。其次,构建一种将卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的混合深度学习模型,对数据的空间特性和时序特性进行充分挖掘,并加入注意力机制,关注重要信息,剔除冗余特征。最后,采用国内自测数据集进行试验,使用不同的评价指标对该耦合神经网络进行评估,并与其他的常用分解模型进行对比。试验结果表明,所提方法的均值绝对误差与绝对误差和相较于其他分解方法都有所降低,均值绝对误差平均下降了35.9%,绝对误差和平均下降了39.9%。     

电网倒闸操作网络化下令安全校核研究

随着电网规模不断扩大,在电网倒闸操作中,网络化下令逐渐取代原有的调度电话下令模式。网络化下令具备清晰高效的特点,但同时对于安全校核的要求也更高。基于有限状态机的电网倒闸操作网络化下令安全校核研究严格遵守状态转移函数,具有强逻辑,在提高电网倒闸操作效率的同时,能够保证电网安全、稳定运行。