数据驱动技术在虚拟电厂中的应用综述EI北大核心CSCD

虚拟电厂(virtualpowerplant,VPP)作为电力市场下促进可再生能源消纳、应对能源分布不均的重要运营模式,近年来得到迅速发展。同时,国家电网逐渐普及配网量测装置,并推进通信网络建设,其与VPP的聚合及通信内核紧密融合,为VPP带来了新特点、新模式、新方法。鉴于此,探讨VPP的内涵、特性、功能及工程示范;深入分析大数据背景下VPP呈现出的新特点、新型构成主体及发展关键技术;基于海量广域实时数据,进一步研究数据驱动方法在VPP构成主体及外部环境预测、优化调控策略及电力市场分析3个角度的应用现状。     

风电接入下核电参与电力系统调峰的协调优化模型

提出了一种风电接入下核电参与电力系统调峰的风-核-火多源协调优化模型,缓解了风电消纳的难题,提升了电力系统优化运行的经济性。在保证安全裕度的前提下,该模型将核电线性功率升降速率按3个档位进行离散化,减少了变量数,仅用4个0-1变量与1个整数变量实现了调峰时三档速度、两档深度、低功率时段的自由选择,相较于已有的核电调峰模型,其灵活性更高且变量更少。同时,采用改进极限场景法,即利用1个确定的风电预测场景和2个极限场景表示置信区间内风电的不确定性,简化了其复杂度且优化了备用容量。计算结果表明,所提模型按实际情况选择最经济的负荷跟踪方案,系统发电总成本相较于核电带基荷运行的情况减少了22%,相较于核电按固定调峰模型运行的情况减少了12%,并全额消纳了采用这2种模型时所不能消纳的风电出力,从而有效削峰填谷,缓解了电网的调峰压力。     

约束紧凑与调节灵活的核电调峰安全出力模型

核电和间歇性电源比重不断增加,核电面临较大的调峰压力。当前,核电参与调峰的数学模型不够完善,因此提出一种将核电特定安全要求与灵活的调节方式有效统一的核电调峰安全出力模型,通过对约束的紧凑化和调峰深度的连续化,解决了已有模型在普遍适用性、经济性和灵活性方面的不足。引入解耦的升/降功率辅助变量,并充分考虑功率变化之间的耦合特性和互斥关系,核电出力可行域约束得更为紧凑,保证在各种工况下得出准确的核电安全出力。此外,进一步将调峰深度连续化,以期得出最优调峰深度和调节时间,增加核电调峰运行方式的灵活性;再运用数学等效变换技巧,将模型非线性项等效转换为线性模型,易于求解。仿真计算表明,所提模型能准确、灵活、经济地安排核电调峰安全出力,可降低约5%额定功率的调峰深度以及约18%的调峰成本,模型的有效性得以验证。     

基于attention机制的LSTM神经网络 超短期负荷预测方法

随着电力系统中分布式能源及可调控柔性负荷等的增多,电力系统负荷的随机性增强,且电力系统智能化发展,使得可获得数据急剧增长。为充分利用历史负荷数据,提高超短期负荷的预测精度,提出一种基于attention机制的LSTM超短期负荷预测方法。首先,通过分析负荷数据的自相关性,选取预测点前168 h的负荷数据作为网络输入,并针对坏数据进行辨识修正,随后通过Adam算法实现网络训练。最后,通过与标准BP神经网络的预测结果的MAPE指标进行对比,验证了所提方法的可行性及效果。     

基于深度置信网络的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MODWT)和深度置信网络(DBN)的电能质量扰动分类方法。首先利用MODWT提出一种可靠的电能质量暂态事件检测算法,该算法无需设定检测阈值,可准确获取暂态事件的起止时刻。接着提取暂态事件的电压谐波成分并组成特征向量。然后用DBN分类器对扰动信号进行分类识别,DBN方法比常用的分类方法具有更高的分类准确率和更短的训练时间。通过应用于现场实测扰动数据表明:所提出的方法适用于多种类型的电能质量扰动检测,在少样本情况下具有优越的分类性能。     

基于深度长短时记忆网络的区域级超短期负荷预测方法

超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数,并在该超参数下选择泛化能力最优的模型,与前沿机器学习预测算法进行对比。实验结果证实,深度LSTM网络可以取得更好的预测效果,适合于离线训练实时预测。此外,通过对隐藏层激活向量的可视化展示和相关关系定量计算,首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况,证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。     

大规模区域型微网集群的去中心调度

由于未来区域型微网的经营者不同,为了满足不同经营者之间信息隐私的要求,同时为了应对未来大规模微网并入集群带来的计算挑战,本文采用Dantzig-Wolfe分解方法(Dantzig-Wolfe Decomposition, DWD)以去中心的方式分布式求解区域型多能互补微网集群优化调度问题,并与另外3种分布式分解算法进行对比分析。针对总线型的微网集群,本文验证了所提DWD分解算法在冬季场景下的有效性,且其可在较少迭代次数内收敛到最优值。不同于其余三种分布式分解算法,DWD算法迭代次数随着微网数目的增加变化很小,很适合应用于未来大规模微网并入集群的场景中。     

分时电价下居民用户用电需求响应估计方法

在组织需求侧资源参与需求响应(DR)的过程中，除了应关注已参加DR的存量资源的管理，还应考虑如何实现对未参加DR的潜在增量用户的潜力分析。针对基于价格的需求响应(PBDR)，关注给定价格下用户响应量估计的关键环节，通过支持向量机回归模型，建立未参加和参加PBDR用户间用电规律的相似性，解决了DR事件起始和持续时间不固定、未参加PBDR用户自身的历史用电信息无法反映其DR特性等难题，实现在假设施加价格信号下，对未参加PBDR用户的用电响应情况及需求弹性的量化估计。基于伦敦地区智能电表实际数据进行实验以验证所提方法的优越性，结果表明所提方法的估计效果优于基于相似日的方法，可为用户筛选提供一定依据。