面向可靠性评估的两阶段聚类风-光-荷典型场景生成方法

由于风光出力和负荷的不确定性,高比例可再生能源电力系统可靠性评估需要大量输入场景以保证评估精度.为降低计算复杂度,选取适用的典型场景至关重要.传统典型场景生成直接采用聚类算法对输入场景聚类,因此面对高维数据处理困难且无法保留负荷极端场景,生成可靠性评估典型场景的效果不理想.为选取适用于可靠性评估的风-光-荷典型场景,研...     

基于海量场景降维的配电网源网荷储协同规划

风电、光伏等新能源大规模接入配电网,给配电网规划方法的效率和规划结果的经济性带来了极大挑战。为了解决配电网中新能源海量运行数据与配电网源网荷储协调规划之间的配合问题,提出了基于海量场景降维的配电网源网荷储协同规划方法。首先,通过主成分-高斯混合聚类算法对风-光-荷海量高维场景进行降维聚类,得到风-光-荷的典型场景集;然后,构建了面向海量场景的配电网源网荷储协同规划模型,并采用二阶锥松弛技术将模型中非凸约束转凸处理;最后,在Portugal 54节点配电网算例上验证了海量场景降维聚类方法和规划模型的有效性。     

基于多场景技术的冷热电虚拟电厂两阶段优化调度

针对风、光出力及负荷需求的不确定性造成虚拟电厂收益低的问题,建立了基于多场景技术的冷热电虚拟电厂优化调度模型.对风光出力及电、热、冷负荷的不确定性进行分析,通过拉丁超立方抽样生成连续时间场景,模拟风光出力及多能负荷随时间的波动情况;采用同步回代消除法对所生成的场景进行削减,得到风、光、荷典型日场景.在此基础上构建多场景...     

计及复杂气象耦合特性的模块化去噪变分自编码器多源–荷联合场景生成

气象因素的强随机性与强波动性直接影响新能源出力与用户用电行为。针对基于整体历史数据生成多源-荷联合场景集时难以体现特定气象下的多源-荷概率分布特性的不足,提出一种计及气象因素差异的模块化去噪变分自编码器(modular denoising variational autoencoder,MDVAE)多源-荷联合场景生成模型。首先,分析风速、辐照、负荷等与气象因素相关性,确定源-荷气象耦合特征集;在此基础上,针对历史气象数据集进行聚类,获得具有不同气象特点的聚类结果;之后,以类内所含日期中风速、辐照、负荷历史数据,构建基于数据驱动的MDVAE联合场景生成模型;最后,通过将生成的风速、辐照转化为风-光出力,构建多源-荷场景。实测数据分析表明,新方法生成场景集能体现不同气象条件下差异性,并能有效提高生成场景集与实测数据间概率分布的相似性。     

基于深度嵌入聚类的风光水典型联合出力场景提取

对于风光水联合发电系统筛选出具有代表性的典型场景，是进行资源特性分析、调度优化研究的基础。传统聚类算法由于“维度效应”的影响，无法直接应用于高维数据聚类问题，而现有的“先降维，后聚类”技术路线无法保证降维后的低维特征适用于聚类任务，导致聚类结果不稳定。针对存在的问题，提出了一种基于深度嵌入聚类的风光水典型出力场景提取方法，在实现高维出力数据聚类的同时避免了降维后的低维特征不适用于聚类任务的问题。首先借助堆叠自编码器对数据的非线性表征能力，对高维风光水联合出力数据进行深层表征实现数据降维，然后结合K-means聚类方法对深层低维特征进行聚类，并在聚类过程中同时优化调整堆叠自编码器，得到适用于聚类空间的低维风光水联合出力特征，基于此实现对风光水联合出力场景的精准划分。最后以我国南方某区域风电、光伏、水电出力数据为研究对象对其进行深度嵌入聚类，并以PCA-K-means算法设置对比算例，验证了深度嵌入聚类在风光水典型联合出力场景选取上的有效性。     

基于时序生成对抗网络的月度风光发电功率场景分析方法

针对月度风光发电功率模拟面临的变量维度高、时空特征复杂等难题,提出一种基于时序生成对抗网络的月度风光发电功率场景分析方法。采用基于RV系数的聚类技术提取代表性日发电状态,基于Markov链刻画风光日发电状态转移规律;引入缩放点积注意力机制与时序卷积网络,构建时序生成对抗网络,模拟日内风光发电功率的时序性及空间相关性;提出月度风光发电功率场景的随机生成方法。考虑电网中长期分析需求,建立月度风光发电功率场景的优化削减方法。最后,采用我国东北地区6座风电场和6座光伏电站的历史发电功率数据,验证所提方法的有效性和正确性。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

面向风光综合消纳的电力系统广域储能容量优化配置研究

针对含大规模风光接入的电力系统中广域储能优化配置问题,提出采用K-means聚类方法,对风电出力、光伏出力与负荷间的时序数据进行典型日场景集抽取;以年弃风成本、弃光成本与储能等效年投资成本3者之和最小为优化目标,建立面向风光综合消纳的广域储能优化配置混合整数线性规划模型,并采用智能优化算法进行求解,实现储能投资最小化和风光消纳最大化的综合最优。以宁夏电网实际运行数据为例,验证了所提模型的合理性与有效性。     

基于近邻传播聚类与MCMC算法的风电时序数据聚合方法

为减少风电功率时序数据的冗余信息,提高电力系统仿真的计算效率。该文提出一种基于近邻传播聚类与马尔科夫链蒙特卡洛(affinitypropagationclusteringandMarkov Chain Monte Carlo,AP-MCMC)的风电功率时序数据聚合方法。首先,采用自相关函数与快速傅里叶变换分别对风电时序数据进行时–频域周期特性分析,选取聚类场景样本的最佳时间尺度。其次,利用近邻传播(affinity propagation,AP)算法对场景样本聚类,获取多类场景簇,并基于马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)方法,构建各类场景簇间的状态转移概率矩阵,生成自定义长度的聚合状态序列,最后,按照状态序列逐次单向顺序抽取场景簇中的样本,构建成具有代表性的风电时序聚合序列。以某省级电网为算例,将提出的AP-MCMC法与典型日法、典型场景集法的多元评价指标对比分析。结果表明,AP-MCMC法生成的聚合序列能更准确地反映风电功率的特征和优化策略,提高了计算精确度和效率,具有一定的工程应用价值。     

基于改进k-means聚类的风电功率典型场景在日前调度中的应用

针对含风电电源的电网日前调度优化问题,应用聚类分析获得风电功率典型场景进行风电功率预测,并将预测结果用于日前调度优化具有重要意义。提出一种基于改进k-means聚类算法的风电功率典型场景生成方法,对周期内的风电数据通过场景生成和缩减,得到少数几个能反映周期内历史数据特征的风电功率典型场景集;然后以系统运行成本最小为目标,建立适应风电接入的日前机组组合模型,模拟风电接入后电力系统实际运行情况。最后通过算例比较风电功率点预测、区间预测和典型场景预测在电力系统日前调度中的经济运行优化结果,验证了所提方法的有效性和实用价值。     

多风电场接入的灵敏度场景静态无功/电压评估

风电出力对电力系统运行的影响存在复杂的非线性,现有处理风电随机性的风电场景模型难以保证风电场景与电力系统优化运行保持一致,为此提出含多风电场的电力系统无功/电压灵敏度场景分析方法。首先利用网损/电压灵敏度计算方法计算多风电场相关性出力样本的网损/电压灵敏度,再基于主成分分析构建联合网损/电压灵敏度特征空间,并在此基础上进行场景聚类,得到多风电场网损/电压灵敏度场景。将某2个风电场的实际数据接入IEEE 30节点系统中分别进行传统风电场景分析和所提灵敏度场景分析,验证了所提方法的有效性和优越性。     

面向风电接入暂态功角稳定分析的电网极端运行场景提取

大规模风电接入给电网的规划和运行带来了极大的不确定性,导致系统运行模式更加多变.极端运行场景提取对于分析电网运行的高风险薄弱点具有重要意义,而传统经验场景提取方式难以应对风电和负荷的双重不确定性.面向规划层面的电力系统安全稳定评估问题,提出一种基于数据挖掘和机器学习算法的电网极端运行场景提取方法.首先,通过机器学习识别出对暂态功角稳定影响较大的场景变量并依据重要程度进行排序,同时采用熵权法体现场景变量自身的离散性对极端运行场景的贡献程度.随后,利用加权聚类算法筛选出代表大多数场景暂态功角稳定水平的典型运行场景,进而提取出离群、极端的边缘运行点作为极端场景.最后,采用IEEE 39节点算例进行暂态仿真分析,验证了采用数据挖掘与具体问题相结合的方法进行极端场景提取的有效性和合理性,提升了风电并网规划、稳定分析的水平和效率.     

采用谱聚类的风电典型出力场景选取方法

为有效地减少原始场景数量,以较小的工作量和较高的精度表征风电出力的全时空特性,本文提出了一种基于谱聚类算法的风电日出力典型场景生成方法。首先采用谱聚类算法对风电日出力场景进行聚类分析,得到能有效反映样本亲疏关系的聚类簇。随后考虑风电的反调峰特性,从聚类后的风电日出力场景中选出能够很好的反映各类场景中原出力曲线调峰效益的出力曲线,将其作为典型场景。最后,以云南某地区2017年风电实际出力数据为算例进行聚类分析,验证所提方法的正确性及有效性。     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。     

基于风电场景概率的电热混合储能优化配置

本文提出一种考虑风电典型场景概率的电热混合储能优化配置方案,以提高风电入网的经济性和可行性。首先通过场景分析,利用k-means聚类法将大量风机历史出力数据简化为6个典型出力场景,确定各场景发生的概率,其中聚类数目由肘部曲线法和Dunn指数法综合确定;其次提出电热混合储能系统控制策略,建立适用于多场景的风储联合系统模型;最后,以经济性成本最低与弃风量最小为目标,建立包含电、热负荷综合响应的容量配置优化模型,并将场景概率以权值的形式加入到目标函数中,利用粒子群算法对模型进行求解。通过仿真分析和与其他储能配置场景对比,我们发现所提出的配置策略能够提高风电利用率约11.04%,同时减少系统综合成本约44.52%,验证所提策略的合理性和有效性。     

基于场景分析的电力系统日前调度及其快速求解方法

在含风光电力系统规模逐渐增大的背景下,提出一种基于场景分析的电力系统日前调度快速求解方法。考虑到不同时刻风光出力均具有显著相关性,基于多元正态分布和蒙特卡罗采样生成大量具有时间相关性的原始场景。利用改进的k-means聚类算法对原始场景进行预分类,并采用基于Kantorovich概率距离的同步回代缩减算法对处理后的场景进行缩减,缩短场景分析的计算时间。建立基于场景分析的电力系统日前优化调度模型。为提高模型求解效率,引入包含风光预测误差向量信息的边界场景,在调度模型中考虑上下边界场景的备用容量约束,并建立考虑边界场景备用容量约束的优化调度模型。以某省级电网实测数据进行仿真分析,验证了所提模型及方法的有效性。     

Embedded Scenario Clustering for Wind and Photovoltaic Power, and Load Based on Multi-Head Self-Attention

The source and load uncertainties arising from increased applications of renewable energy sources such as wind and photovoltaic energy in the power system have had adverse effects on optimal planning and dispatching. Models for generating typical renewable energy and load scenarios are constructed to reduce such effects and improve the applicability of a planning and optimal dispatching model of power systems with a high proportion of renewable energy. The traditional clustering-based model for representing such scenarios cannot handle high-dimensional time-series data and consequently the feature-related information obtained cannot fully reflect the characteristics of the data. Thus, a deep convolutional embedded clustering model based on multi-head self-attention is proposed. First, a variational mode decomposition model is optimized to reduce the influence of noise-related signals on the feature extraction. The deep features are then extracted from the data using an improved convolutional autoencoder, and the appropriate number of clusters is determined using the elbow method. Following this, the network parameters are optimized based on the sum of losses during reconstruction and clustering. Subsequently, typical scenarios are then generated based on the optimized network model. Finally, the proposed method is evaluated based on data visualization and evaluation metrics. It is shown that the quality of features and the accuracy of clustering can be effectively improved by the proposed scenario generation method.     

考虑电力系统灵活性的网-储联合规划

高比例可再生能源接入电网使得规划问题更加复杂。提出考虑电力系统灵活性的网-储联合规划方法。分析风电和光伏出力的相关性,采用蒙特卡罗方法生成大量可再生能源发电和负荷场景。基于k-means聚类算法对生成的场景进行缩减,并利用改进的遗传算法确定最优聚类数。通过斯皮尔曼系数筛选典型场景,构建考虑生成概率的典型场景集合。建立以提升灵活性、降低投资成本为目标的双层网-储联合规划模型,并采用灰狼算法迭代求解。算例分析结果表明所提网-储联合规划方案能够有效地提升电力系统灵活性,促进可再生能源消纳。