低碳驱动的长时储能容量补偿机制

随着新型电力系统低碳化转型,新能源装机占比跃升发展,新能源出力与负荷跨季尺度的电力电量平衡对长时灵活性的需求进一步加剧,长时储能成为维持系统长期容量充裕性的一种新兴容量资源。现有面向传统发电机组的容量成本回收机制尚未将长时储能纳入考虑范畴,长时储能系统发展的经济驱动不足。针对长时储能系统适度容量补偿的机制设计问题,基于周期内和周期间双粒度时间网格结构,提出变周期时序规划场景缩减方法,并建立长时储能适配容量优化模型测算容量补偿需求。结合某新能源富集区域算例,验证长时储能适配容量和补偿水平测算模型有效性,并基于关键因素的灵敏度分析,探讨长时储能容量补偿需求下降的演化趋势,为推动长时储能可持续发展提供容量补偿机制设计的参考。     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题，提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先，在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制，通过自注意力机制自适应的选择输入特征，并通过时间注意力机制捕获风电数据时间序列的长时间依赖性；判别模型采用卷积神经网络，提高模型的预测精度。其次，将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数，以提高模型的稳定性，同时为解决判别器缓慢学习的问题，引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后，以甘肃省酒泉市某风电场的实际运行数据为例，验证SAM-WGAN-GP模型不仅能自适应选择输入特征，而且可捕捉风电数据的长时间依赖性，并提高预测精度。