计及分布式电源不确定性的多微网鲁棒博弈研究

多微网系统可以提高分布式电源消纳率和系统供电稳定性,分布式电源出力的不确定性却给多微网的日前调度带来挑战。文章综合考虑多微网系统中分布式电源出力不确定性和各微网间的非合作博弈行为,提出了一种针对多主体决策的非合作鲁棒博弈优化模型,并采用列约束生成算法对所构建模型进行求解,从而得到各微网在非合作博弈模式下的鲁棒Nash均衡解以及调度方案。仿真结果表明,与确定性调度方案相比,所构建的鲁棒博弈优化调度方案可以在保证微网运行经济性的同时,还具备一定的鲁棒性。     

基于分布鲁棒优化的社区型能源系统低碳经济调度

随着可再生能源渗透率的提高以及能源转型进程的推进,能源系统在保证调度策略鲁棒性的同时,也要考虑系统的绿色性和低碳性. 针对含碳捕集机组的社区型能源系统中各社区在风电功率不确定性下的最优决策问题,提出一种非合作博弈模式下的分布鲁棒优化方法. 首先,以运行成本最低为目标,构建各社区的两阶段调度模型. 其次,将风电功率的分布信息纳入到两阶段模型中,考虑各社区之间的非合作博弈关系,构建分布鲁棒博弈模型. 最后,利用线性决策理论及对偶原理求解模型. 仿真结果表明,所提分布鲁棒博弈方法可以保证博弈策略的鲁棒性,同时也克服了鲁棒优化强保守性的问题.     

基于相似月和Elman神经网络的行业月度售电量预测

为了提高售电量预测的精度并完善售电量预测体系,提出了一种结合历史相似月的Elman神经网络组合预测模型。利用历史相似月模型可以快速辨别历史数据的特点,通过对各类售电对象的详细数据及外部影响因素分析处理,找到与待预测月目标售电对象相类似的一组历史数据,作为Elman神经网络的输入数据来完成该类售电对象的预测。然后将各售电对象的预测数据组合得到总月度预测售电量。算例仿真研究表明,该组合预测方法与单一Elman神经网络预测方法相比,预测精度更高,收敛性能更好,具有较好的应用前景。