数据驱动的能源互联网建模与仿真关键技术

针对能源互联网面临的多能流运行复杂性、源荷不确定性等日益突出的问题,基于能源生产、传输与消费各环节数据信息,文章设计了一种包含物理层、感知网络层、模型层、算法层、应用层的数据驱动能源互联网建模与仿真框架,并提出能源互联网数据与物理融合统一建模、分布式能源及负荷概率预测、典型运行场景生成以及多能流优化运行等关键技术,最后展望典型应用场景。以数据驱动为核心,为能源互联网建设提供技术支撑。     

基于分层约束强化学习的综合能源多微网系统优化调度

构建多微网系统是消纳可再生能源、提升电网稳定性的有效方式。通过各微网的协调调度,可有效提升微网的运行效益以及可再生能源的消纳水平。现有多微网优化问题场景多元,变量众多,再加上源荷不确定性及多微网主体的数据隐私保护等问题,为模型的高效求解带来了巨大挑战。为此,该文提出了一种分层约束强化学习优化方法。首先,构建了多微网分层强化学习优化框架,上层由智能体给出各微网储能优化策略和微网间功率交互策略;下层各微网以上层策略为约束,基于自身状态信息采用数学规划法对各微网内部的分布式电源出力进行自治优化。通过分层架构,减小通信压力,保护微网内部数据隐私,充分发挥强化学习对源荷不确定性的自适应能力,大幅提升了模型求解速度,并有效兼顾了数学规划法的求解精度。此外,将拉格朗日乘子法与传统强化学习方法相结合,提出一种约束强化学习求解方法,有效地解决了传统强化学习方法难以处理的约束越限问题。最后通过算例验证了该方法的有效性和优势。     

基于智慧能源视角影响北京市电力需求的灰色关联分析

电力需求变化受各种因素的影响,对于智慧能源建设需要深入分析各种因素的未来趋势及对用电需求的影响。运用灰色关联方法对影响北京市用电需求量的宏观因素进行了分析,选取可以反映北京市经济、社会、科学、文化水平的指标,利用2002—2014年的年度数据计算影响因素与全社会用电量之间的绝对关联度、相对关联以及综合关联度,并进行排序分析。结果表明：相比经济、社会、文化因素,科技因素与社会用电需求的关系最为显著。     

一种有效的储备池在线稀疏学习算法

为克服传统储备池方法缺乏良好在线学习算法的问题, 同时考虑到储备池本身存在的不适定问题, 本文提出一种储备池在线稀疏学习算法, 对储备池目标函数施加L1正则化约束,并采用截断梯度算法在线近似求解.所提算法在对储备池输出权值进行在线调整的同时, 可对储备池输出权值的稀疏性进行有效控制, 有效保证了网络的泛化性能.理论分析和仿真实例证明所提算法的有效性.     

基于深度神经网络的变工况下综合能源系统低碳经济调度

设备变工况特性给综合能源系统(integrated energy system,IES)经济调度的准确性带来了严峻挑战。为此,提出了一种基于深度神经网络(deep neural network,DNN)的变工况下IES低碳经济调度方法。首先,基于能量枢纽模型(energy hub,EH)和效率修正模型,建立具有可变效率的动态能量枢纽模型(dynamic energy hub,DEH)。其中,EH模型刻画多能源之间的耦合关系,基于DNN的效率修正模型提取设备效率的非线性特征。在此基础上,提出了以总运行成本最小为目标函数的IES低碳经济调度模型。算例分析表明,所提方法能实现IES低碳经济运行,有效提高调度模型的求解速度和精度。     

基于标签传播算法的电网主动解列断面快速定位方法

传统的失步解列控制无法适应多变的运行方式和复杂的失稳模式,实现数据驱动的电网主动解列断面快速定位具有重要意义。为此,结合复杂网络社团检测理论和电气距离,提出一种基于标签传播算法的主动解列断面快速定位方法。基于等值两机系统联络断面电气距离对振荡中心位置有主要影响的机理,依据支路导纳建立图数据的相似性权重矩阵。根据同调机群在线辨识的分群结果标注同步发电机节点的类别标签。使用基于调和函数的标签传播算法对未标注节点进行半监督节点分类,不同类节点之间的边即所定位的解列断面。通过IEEE118节点系统算例和东北电网实际系统的仿真分析,验证了所提方法的可行性和有效性。该方法的计算速度非常快,具有较好的工程实用价值。     

多元氧化物和铝原位反应制备铝基复合材料的组织和性能

采用SEM、EDS、XRD、TEM和拉伸强度测试等研究Al2O3粒子增强的ZL109铝基复合材料。结果表明:多元氧化物和铝原位反应生成的Al2O3粒子尺寸细小,粒径约为0.1μm,在基体中弥散分布,与基体存在共格关系,(001)α(Al)//(010)α-Al2O3,[110]α(Al)//[001]α-Al2O3。原位反应中生成的金属间化合物经T6处理后,以Al5FeSi、FeCr、Mg2Si、Al3Ni、Al2Cu和Al7Cu4Ni相的形式存在于基体中,使得复合材料在300℃的拉伸强度达到163.4 MPa,较基体的提高7.9%。随Al2O3粒子含量的增加,25℃时,复合材料断口断裂方式由韧性断裂转变为解理断裂,再到穿晶断裂;而300℃时,断口断裂转变方式为脆性断裂到延性断裂。     

基于聚类的用户用电行为及其影响因素分析

随着我国产业结构的不断调整,用户的用电特性也不断变化,且用户的用电行为逐渐向个性化发展。首先利用离散小波变换对用户负荷进行特征提取;然后利用改进快速密度峰值聚类算法进行聚类,根据用户特征聚类结果的不同,将用户分为不同群组,分析负荷群的时间分布特征;采用互信息方法分析用电量数据与经济、气温、行业关键指标等的相关性,提取出关键影响因素;最后,基于某省某行业典型用户的仿真实例验证了本文所提方法的有效性。     

基于深度Q学习的电热综合能源系统能量管理

能量管理是电热综合能源系统运行优化的重要组成部分。然而,系统中可再生能源出力的波动性以及用户负荷的随机性使得能量优化管理问题充满挑战。针对此问题,文章提出了一种计及可再生能源和负荷需求不确定性的综合能源系统能量管理方法。将电热综合能源系统的能量管理问题表述为转移概率未知的马尔科夫决策过程,定义了系统的状态空间、动作空间和奖励函数。为求解该马尔科夫决策过程,提出了一种基于深度Q学习网络的电热综合能源系统能量优化管理方法。算例仿真表明,所提方法能够自适应地对源和荷的随机波动做出响应,实现系统的能量优化管理。     

基于不均衡数据集成学习的大型电力变压器状态评价方法

大型电力变压器构造复杂,设备成本高,是电力系统的关键组成部分,其运行状态与电力系统的安全稳定密切相关,因此变压器状态评价已成为常态运维业务工作。然而目前状态评价工作严重依赖导则与专家经验,人力成本高,易受到主观影响;而已有模型往往直接应用标准算法,在实际生产环境中表现不佳。针对目前大型电力变压器状态评价在数据质量、样本分布、应用需求与模型表现等方面存在的问题,提出了一种新的评价模型。首先,剔除了无效样本并设计了一种交叉权重方法来标记有效样本;之后,按照数据完整程度区分状态量并对其进行特征提取和高维映射,再拆分数据集得到多个完备训练数据集;然后,应用SMOTEBORDERLINE算法来合成正样本,得到多个完备均衡训练数据集;最后,并行化训练多个代价敏感修正的支持向量机(support vector machine,SVM)组件学习器,并通过权重投票法形成集成学习器。所提出的模型考虑了不均衡数据集与代价敏感所带来的影响,利用集成学习提高了模型的泛化能力,经过实际生产环境验证表现良好,与传统方法相比,显著降低了非正常状态样本的误判率与漏判率。