基于深度学习和智能在线场景匹配的配电网源网荷储无功协调优化策略

配电网源网荷储协调优化是消纳可再生能源的重要手段,其中,无功优化可保障系统安全可靠和经济运行。该文提出了一种基于深度学习和智能在线场景匹配的配电网源网荷储无功协调优化方法,它充分考虑到运行场景的特性,直接利用配网运行大数据离线生成历史场景库并基于多目标粒子群优化算法离线构建历史策略库,再基于不同优化目标和K-means聚类算法对历史场景库和实时待优化场景进行两次分类,然后以历史场景库为训练集,以实时待优化场景为测试集,基于深度神经网络实现智能在线场景匹配,通过匹配效果评估匹配历史策略或在线优化分配无功优化方案。最后,在IEEE 30节点仿真模型接入分布式光伏、储能和电动汽车充电站等随机负荷进行算例验证。结果表明,方法可灵活、有效地对系统进行协调无功优化,不依赖于模型和参数,极大地提高了决策效率。     

基于深度学习和智能在线场景匹配的配电网源网荷储无功协调优化策略

配电网源网荷储协调优化是消纳可再生能源的重要手段,其中,无功优化可保障系统安全可靠和经济运行。该文提出了一种基于深度学习和智能在线场景匹配的配电网源网荷储无功协调优化方法,它充分考虑到运行场景的特性,直接利用配网运行大数据离线生成历史场景库并基于多目标粒子群优化算法离线构建历史策略库,再基于不同优化目标和K-means聚类算法对历史场景库和实时待优化场景进行两次分类,然后以历史场景库为训练集,以实时待优化场景为测试集,基于深度神经网络实现智能在线场景匹配,通过匹配效果评估匹配历史策略或在线优化分配无功优化方案。最后,在IEEE 30节点仿真模型接入分布式光伏、储能和电动汽车充电站等随机负荷进行算例验证。结果表明,方法可灵活、有效地对系统进行协调无功优化,不依赖于模型和参数,极大地提高了决策效率。     

计及云边协同的园区综合能源系统双层能量优化

深入挖掘园区综合能源系统内部多能耦合利用以及综合需求响应潜力,对系统内灵活性资源进行储能化建模,并将虚拟储能资源按照参与优化调度的时间尺度进行划分,提出了日前、日内2个阶段的园区综合能源系统优化调度方法,在日前阶段建立了热电协同优化模型,在日内阶段基于日前调度结果建立了电功率快速调整模型。进一步地,为充分发挥综合能源系统中各园区资源的时空互补优势,从多时间尺度、多主体角度提出适用于实时阶段的计及云边协同的综合能源系统双层能量优化方法。基于各园区可再生能源发电和电负荷的最新预测结果,在能量管理云平台建立了满足系统整体运行经济性目标的实时能量优化模型,在边缘控制器利用模型预测控制方法建立了以日内优化结果为参考值的精细化调控模型,并采用交替方向乘子法求解,以实现园区自身利益与综合能源系统总体效益的均衡。仿真结果表明,通过园区间联络线的传输功率协调以及电储能、动态可控负荷的辅助调用,可有效平抑可再生能源出力和电负荷需求的实时波动,提高系统整体运行调控的鲁棒性与有效性。     

基于深度强化学习的馈线-台区两阶段电压优化

分布式电源（distributed generation,DG）在10 kV和400 V配电网中大量接入,给配电网安全运行带来了巨大挑战。由于DG不确定性以及400 V台区实时量测数据不全的问题,基于最优潮流的优化方法难以解决馈线与台区的协同优化问题。为此,该文提出了一种基于电压越限风险和深度强化学习（deep reinforcement learning,DRL）的馈线-台区两阶段优化方法。首先,基于概率最优潮流计算得到10 kV馈线系统的最低电压越限风险下的调控策略,以及节点电压期望值并下发至台区。接着,利用台区调控资源,基于深度强化学习实现台区电压与光伏消纳的多目标优化。最后基于改进的IEEE33节点系统验证了该文方法的有效性。