基于改进生成式对抗网络的电气数据升频重建方法

高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一,但是,传统重建算法难以实现高精度的数据重建。因此,文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像,实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构,提高生成器的特征学习能力。此外,生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数据集为例进行算法验证,验证结果表明,相比于传统重建方法,所提方法具有更高的峰值信噪比、结构相似性和更低的平均绝对误差、平均绝对误差百分数,以及更高的高频细节还原度、重建精度,能够对不同数据集实现泛化。     

双馈感应电机最大功率跟踪鲁棒滑模控制设计

变速恒频风力发电技术已广泛用于实际风机中,其中一个经典问题即最大功率跟踪(Maximum Power Point Tracking,MPPT)。针对双馈感应电机(Doubly-Fed Induction Generator,DFIG)设计了一款基于扰动观测器的滑模控制(Perturbation Observer Based Sliding-Mode Control,POSMC)来实现MPPT。所提控制器将扰动观测器和滑模控制(Sliding-Mode Control,SMC)相结合,从而大幅提高了DFIG的鲁棒性。首先,应用扰动观测器对系统扰动(发电机非线性、参数不确定和随机风速)进行在线估计。随后,通过SMC对该扰动估计进行实时完全补偿,从而实现不同工况下的控制全局一致性以及各类不确定环境下的鲁棒控制。最后,POSMC无需精确的DFIG系统模型,仅需测量转子角速度和定子无功功率,易于实现。进行了三个算例研究,即阶跃风速、随机风速和发电机参数不确定性。仿真结果表明,与矢量控制(Vector Control,VC)、反馈线性控制(Feedback Linearization Control,FLC)和SMC相比,POSMC在各类工况下均可捕获最大的风能并具有最强的鲁棒性。     

基于改进生成式对抗网络的电气数据升频重建方法

高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一,但是,传统重建算法难以实现高精度的数据重建。因此,文中利用改进生成式对抗网络将低频电气数据重建为高频。通过将时序数据转化为电气图像,实现神经网络方法对电气图像特征的高效提取。利用基于深层残差网络的生成器和改进的残差块结构,提高生成器的特征学习能力。此外,生成器损失函数考虑真实样本与生成样本在低维或高维特征的差别。以公开数据集为例进行算法验证,验证结果表明,相比于传统重建方法,所提方法具有更高的峰值信噪比、结构相似性和更低的平均绝对误差、平均绝对误差百分数,以及更高的高频细节还原度、重建精度,能够对不同数据集实现泛化。     

电–气互联系统的气电解耦分布式多目标优化调度

本文基于能源互联网背景建立了一种计及供能成本、碳排放量和净负荷曲线平滑度的电–气互联系统多目标优化模型,并采用线性化方法将非线性优化模型转化为混合整数线性规划模型.同时,为了求解该模型,实现各能源的协同互补利用,提高能源的利用率,本文在保障各能源网络分散自治权的基础上提出一种基于气电解耦的分布式多目标优化算法,以气电解耦优化的方式实现电、气系统的分散自治.所提算法将原系统的多目标优化问题分解为电网和气网的子优化问题,并采用独立的优化器完成子问题的求解.电网和气网仅需交换少量边界变量以及虚拟目标因子分别进行全局调整即可获得多目标解.最后,本文根据修改的IEEE 39节点电力网络和比利时20节点天然气网络搭建模型并进行仿真分析,结果验证:所提算法能够完成电–气互联系统的气电解耦并实现多目标并行求解,从而提高系统信息私密性、实现各能源网络的分散自治.     

基于集群负荷预测的主动配电网多目标优化调度

常规的配电网调度模式中,往往通过可控分布式电源、储能和柔性负荷来调节预测误差和实时波动,粗略地预测负荷值,这使得负荷预测往往不够精准,而且用可控分布式电源、柔性负荷或储能平衡配电网负荷波动,会造成较大的波动成本和备用成本。对此提出一种基于集群负荷预测的主动配电网多目标优化调度方法。采用模糊聚类的方法,对负荷进行集群划分,利用极限学习机对负荷进行集群预测。基于预测值,先以有功调度成本最低进行日前调度,再在日前调度的基础上进行修正,以可控分布式出力修正量最小、储能出力修正量最小、柔性负荷修正量最小为目标进行实时调度。