基于集成学习的孤岛微电网源-荷协同频率控制

提出一种基于集体智慧的集成学习算法,以实现孤岛微电网下分布式电源与负荷的协同频率控制。通过引入负荷聚合商来对大规模家庭用户进行聚合,解决源—荷协同频率控制下的"维数灾难"问题。负荷聚合商根据每个家庭中温控设备的运行状态,可以连续地评估其可参与辅助调频的储备能力。集成学习算法由多个子优化器和一个学习集中器组成,子优化器发挥集体智慧能力为学习集中器提供探索和开发样本,而强化学习主要用于知识学习与迁移。通过孤岛微电网的仿真算例可以验证集成学习能够有效满足源—荷协同频率控制的周期要求和质量要求。     

基于超松弛双Q学习的源荷储协同频率稳定算法研究

具有强随机特性的新能源规模化接入将给电网带来强随机扰动,传统控制方法无法有效解决分布式电网模式下由强随机扰动引起的频率失衡、控制性能标准变差的问题。该文从二次调频角度提出一种多区域互联电网的智能发电控制算法,即超松弛双Q学习算法,来获取多区域协同控制。所提算法在快速Q学习基础上引入超松弛因子ω来加速最优值函数的计算,同时引入双Q学习策略来解决强化学习Q算法体系中的动作探索值过高估计问题,以提升算法的收敛性与更新效率。在改进的IEEE标准两区负荷频率控制模型以及云南互联电网模型中进行仿真分析,结果可知,所提算法表现出更佳的控制性能与收敛速度。     

基于源网荷储优化的电力系统协同控制方法

受重复放电影响,电力系统各区域的调频控制偏差与电压基频波动较大,为此提出基于源网荷储优化的电力系统协同控制方法.采用多维小波分解方法分解电网系统各发电机组的调频信号频谱,降低重复放电对各区域的影响.根据分解结果结合电力系统电路构成获得微分方程,并对微分方程进行推算与Park变换.在此基础上,提出电力系统协同控制模型的构建目标,考虑源网荷储优化拓展元素构建电力系统协同控制模型.模型主要以源网荷储优化思想作为框架,对源网荷储电力系统协同优化元素进行拓展,实现多源横向互补与源网荷储纵向协调.结果 表明,源网荷储优化力度在30％～60％时,电压基频越来越稳定,并且调频控制偏差较小,说明所提方法实现了性能突破.     

基于权重双Q-时延更新学习算法的自动发电控制

大规模可再生能源和柔性负荷的接入会给分布式多区域互联电网带来强随机扰动,传统的控制方法无法有效提高由于强随机扰动所导致的电网愈来愈差的控制性能。为此,该文从自动发电控制角度提出一种面向分布式多区域互联电网的多智能体协同控制算法,即权重双Q-时延更新算法。所提算法可通过权重双Q算法来解决传统强化学习中动作探索值高估或低估的问题,并引入时延更新策略进一步提高其更新效率,进而提高其收敛性能。对改进的IEEE标准两区域负荷频率控制模型和融入大规模可再生能源的四区域互联电网模型进行仿真,仿真结果表明,所提算法能够有效提高电网的控制性能,实现分布式多区域互联电网间的协同控制,而且与传统方法相比,具有更优控制性能和更快收敛速度。     

交通能源互联网体系架构及关键技术

在能源互联网的发展背景下,基于能源互联网的特征,针对电气化交通系统的分布及负荷特性以及存在的问题,构建了交通能源互联网。首先阐述了交通能源互联网的体系架构,通过"源–网–荷–储"系统、传感与通信网络、大数据与云计算以及应用服务平台,实现横向多源互补与纵向"源–网–荷–储"协调。其次阐述了交通能源互联网的关键技术,通过"源–荷–储"协同规划对系统进行统一的规划,通过"源–荷–储"协同运行与控制对系统实现系统功率的动态平衡,构建中压直流牵引供电系统实现可再生能源、储能电源等的即插即用,运用先进储能技术平抑发电–负荷之间的供需差异,通过多级协调式能量管理系统,对系统的能量流进行分级协调管理。最后,以成都未来交通系统发展为背景,阐述了成都市交通能源互联网的协同规划与调度。     

基于模糊与一致性复合智能算法的"源-网-荷-储"协同控制策略研究

针对可再生能源与储能系统大规模并网使得电力系统成为"源-网-荷-储"多因素的复杂结构,提出采用基于模糊与一致性复合智能算法的"源-网-荷-储"协同控制策略来提升各因素间协同作用.分析"源-网-荷-储"各因素的互动特性与现有电能供应特点,构建协同最优化模型,利用模糊策略改进粒子群算法结合一致性算法的复合智能算法对最优化模型求解.仿真结果表明,利用复合智能算法对系统协同控制,能够显著增大可再生能源的消纳率,还能指导负荷积极响应电网调度.此外,复合智能算法相比单一智能算法在计算精度和运算效率上有大大提升.     

基于强化学习的孤岛微电网多源协调频率控制方法

为了提升孤岛微电网频率抗干扰性,提出一种基于强化学习的孤岛微电网多源协调频率控制方法。针对微电网频率偏差进行Q学习,动态调节多个分布式电源的下垂控制参数以改变其输出功率,实现微电网内多源协调有功频率控制。首先,介绍了Q学习算法的基本原理;其次,提出基于Q学习的频率恢复控制方法,并设计基于Q学习算法的控制器,利用Q学习算法动态修正下垂参数,协调微电网多个分布式电源进行频率恢复控制;最后,利用MATLAB建立典型微电网仿真模型,并基于S-function自定义建立强化学习控制器,从Q学习训练过程、频率控制响应特性多个方面验证了所提方法的有效性和适应性。     

高比例光伏微网无功均分控制中的Q学习方法

针对采用传统下垂控制的分布式电源无功功率分配不均,提出了一种高比例光伏微网无功均分控制中的Q学习方法.该策略融合人工智能算法的随机搜索机制以及Q学习算法的迭代机制.首先,针对采用下垂控制的分布式光伏,以微网总无功偏差量作为奖励函数的依据,构建电压幅值和无功功率之间的反馈.其次,根据最大奖励Q值对应动作控制分布式光伏输出...     

基于数据驱动的源网荷储协同控制系统网络攻击关联性分析

源网荷储协同场景下，能源系统发展呈现多方数据交互频繁、多源数据融合的特点。随着安全防护大区外的终端接入不断增加，系统外部接口的多样化发展给传统以边界为核心的网络防护构架带来挑战。为保障源网荷储协同控制系统的安全，并对网络攻击进行有效识别，提出基于数据驱动的网络攻击异常事件关联规则分析方法。首先分析系统日志文件，建立异常事件序列；其次利用FP-Growth算法，生成源网荷储协同控制系统异常事件与网络攻击场景的关联规则；最后利用灰色关联分析算法，实现异常事件与攻击场景的在线匹配，建立源网荷储协同控制系统网络攻击关联分析框架，并验证了所提方法的可行性与有效性。     

新型配电系统分布式源网荷储资源广域电压自趋优管控方法

不同于单纯电能分配的传统配电网,新型配电系统逐步展现出源-网-荷-储等众多资源的强耦合强关联复杂大系统形态,其各类资源呈现出“点多、面广、量少”的广域分布特征。挖掘可再生能源发电、分布式储能及柔性负荷等分布式资源的广域电压调控潜力对构建源网荷储高度融合的新型配电系统具有重要意义。文中提出了一种基于数据驱动的新型配电系统分布式源网荷储资源广域电压自趋优管控方法,通过可再生能源发电、储能及柔性负荷等分布式资源的综合协同控制,在保证储能后备容量和降低网损的同时能够提高配电网广域电压质量。最后,以某城市配电网为例验证了所提方法的有效性和先进性,比传统调压方法更加契合新型配电系统的电压调控需求。     

基于一致性算法的“源-网-荷-储”协同优化方法

可再生能源和储能的大规模应用,使得电力系统逐步转变为"源-网-荷-储"多元复杂结构。为了充分利用弹性负荷的响应特性和储能的灵活性,基于多代理的电力系统"源-网-荷-储"协同优化变得日益重要。该文建立了"源-网-荷-储"的协同优化模型,并考虑了网络中的传输损耗。通过一致性算法的运用,协同优化模型得以高效求解。算例结果表明,协同优化模型可以促进可再生能源的消纳吸收,指导负荷积极响应电网调度;所采用的一致性算法在保证与粒子群算法具有相同求解精度的前提下,收敛速度更快。     

面向新能源并网的分布式AGC协同算法

“双碳”目标加速以新能源为主体的新型电力系统快速发展,如何实现以新能源为主体的分布式多区域电网的协同控制亟待解决。从自动发电控制（automatic generation control,AGC）角度提出一种面向新能源并网的协同控制强化学习算法获取分布式多区域电网的协同控制。所提算法通过权重思想来解决基于马尔可夫的经典Q学习及其衍生算法中动作值被高估或低估的问题,并利用延时更新策略来进一步增快其收敛速度。对融入了电动汽车的改进两区域负荷频率控制模型和具有新能源并网的分布式五区域互联电网模型进行仿真,验证了所提算法的有效性,且与已有的多种控制算法相比,具有更优的控制性能和更快的收敛速度。     

基于拉格朗日松弛强化学习算法的自动发电控制EI北大核心CSCD

“双碳”目标加速了大规模新能源并网的新型电力系统的发展。传统控制方法无法有效解决分布式电网模式下新能源规模化接入所带来的强随机扰动,从而造成频率不稳定、控制性能标准(control performance standards,CPS)越来越差的问题。为此,该文从二次调频的角度提出一种能够保证具有较高的Q值更新学习率,且无论强随机环境亦或平稳环境均具有更稳定的响应特性的拉格朗日松弛强化学习算法,即重复更新Q学习拉格朗日松弛(repeated update Q-Learning using Lagrangian relaxation,RUQL-LR)算法,来获取多区域协同。对改进的IEEE标准两区域模型和以西南电网为基础的三区域模型进行仿真,验证了所提算法的有效性。该算法不仅能够在很大程度上提高Q值估计准确性,还能使弱耦合动态优化问题分散为多个子问题,以快速获取最优策略,且与多种强化学习算法相比,其Q值估计误差更小,能明显提高电网的频率稳定性。     

新型电力系统下5G+云边端协同的源网荷储架构及关键技术初探

低碳高效的新型电力系统建设给源网荷储各环节带来了全新的挑战。面向新形势下的电力系统运行需求，提出一种5G+云边端协同的源网荷储协同运行架构并阐述了其关键技术。首先，通过对新型电力系统中源、网、荷、储各环节技术特征进行分析，明确其关键变革及特性；进而，提出了5G+云边端协同的技术概念，将原有的信息化技术有机结合，探索构建纵向贯通、横向互联的技术支撑平台，并将其应用于新型电力系统的源网荷储协同运行过程中，将源网荷之间以电网为枢纽横向串联的链式关系扩展为横向交叉连接、纵向各领域云-管-边-端拓展的多维网状关系，克服传统源网荷技术局限性；最后，对所述架构下的关键技术进行分析，明确新型电力系统下5G+云边端协同的源网荷储技术发展需求，为后续的技术推进提供可借鉴方向。     

基于柔性行动器–评判器深度强化学习的电–气综合能源系统优化调度

多能流协同优化调度是实现综合能源系统高效经济运行的核心技术之一。面向电–气综合能源系统运行优化问题,提出一种基于柔性行动器-评判器框架的深度强化学习方法,通过智能体与能源系统的交互,自适应学习控制策略。该方法可实现多能流系统的连续动作控制,且能够灵活处理风电、光伏、多能负荷等源荷不确定性问题,实现多场景下的电-气综合能源优化调度决策。首先,构建面向电-气综合能源系统调度的强化学习基本框架,介绍柔性行动器-评判器强化学习的基本原理;然后,构建与智能体交互的电-气综合能源系统环境模型,设计深度强化学习的动作与状态空间、奖励机制、神经网络结构、学习流程等关键环节;最后,针对2个电-气综合能源系统算例进行强化学习优化调度结果分析。     

含风光水火储的多区域互联电力系统协同优化负荷频率控制

针对现代电力系统中呈现出的互联和多源的特点,首先提出了一种启发式智能优化算法辅助含风光水火储的多区域互联电力系统协同优化负荷频率控制方法,该方法以每个区域的区域控制偏差为目标函数;然后利用鲸鱼智能优化算法鲁棒性强、求解精度高及收敛快速度等优点,对各区域的PID负荷频率控制器参数进行协同优化,使得系统在各种随机扰动下,都能够维持频率稳定和长期安全运行;最后建立含风光水火储的三区域互联电力系统模型,对比不同优化整定方法下的互联电力系统频率和联络线功率偏差,测试系统在不同扰动时各区域的稳定性及所提方法的有效性。实验结果表明,所采取的多区域互联负荷频率控制器协同优化整定方法有效地改善了系统的稳定性,具有良好的鲁棒性和实用性。     

电气化铁路“源–网–车–储”一体化供电技术

随着电气化铁路的高密度与高速度发展，为支撑“碳中和”愿景实现，亟需进行其用能结构的绿色化、高效能与高弹性变革。为此，立足于电气化铁路的特性与需求，构筑电气化铁路“源–网–车–储”一体化供电系统。首先，探讨“源–网–车–储”系统架构与多环节协同运行机制；其次，提出协同运行控制策略，通过“源–网–车–储”多环节联合调控，实现新能源发电与再生制动能量的高效利用，系统电能质量、稳定性与应急供电能力提升，列车柔性不断电过分相与接触网直流融冰；然后，基于牵引变电所实测负荷数据搭建仿真模型，验证了所提方案的有效性。最后，展望了发展“源–网–车–储”一体化供电系统还需突破的系列关键技术。     

含废旧矿井抽蓄电站的源-荷-储协同控制调频研究

针对新能源在电网中渗透率不断提高导致系统调频容量和频率响应能力不足的问题,提出一种含废旧矿井抽蓄电站的源-荷-储协同控制调频方法。首先,建立了电解铝工业负荷、废旧矿井抽蓄电站和超级电容频率响应模型。然后,基于模型预测控制理论,以系统状态量和控制量的加权函数最小为目标,设计区域信息互动的分布式模型预测控制器,并提出含废旧矿井抽蓄电站的源-荷-储协同控制调频方法。最后,将分布式模型预测控制器应用在所提源-荷-储协同控制方法中,并在改进的IEEE标准两区域LFC模型中进行仿真。结果表明所提方法可以缩短频率恢复时间,减小最大频差值,改善系统调频动态性能。     

基于改进聚类算法的清洁能源互联网源网荷储协调控制研究

为促进清洁能源互联网的节能减排,提高网络供电可靠性和清洁能源的消纳能力,提出基于改进聚类算法的清洁能源互联网源网荷储协调控制方法。通过样本密度调整次胜者受罚的竞争学习算法（rival penalized competitive learning,RPCL）的节点权值,提出改进RPCL聚类算法;依据网络节点间的关联关系,利用改进RPCL聚类算法计算清洁能源互联网的可靠性;构建源网荷储协调控制模型,经引入收缩因子的改进粒子群算法对模型进行求解,获取最佳源网荷储协调控制结果。实验表明：所提方法可在随机性与选择性攻击环境下提高清洁能源互联网的网络连通度,提升网络连接可靠度,降低源网荷储控制能耗;同时,可提高清洁能源的消纳能力,降低互联网运行成本。     

电力物联网5G云–边–端协同框架与资源调度方法

分布式能源、可调负荷及储能装置大规模接入配电网运行带动“源-网-荷-储”调控模式的转变,配电网与分布式资源之间频繁双向互动对通信网全面感知与广域传输能力提出更高要求。电力物联网与5G的融合通过云-边-端多层级资源的深度协同提供有效的解决方案。针对现有云-边-端协同技术在电力物联网与5G融合应用面临的与电力业务需求适配性不足、异构资源调度协同性差、数据隐私安全难以保障等挑战,文章提出电力物联网5G云-边-端多级协同框架,支撑分布式资源与配电网的协同互动;在此基础上,基于联邦深度Q学习,提出基于半分布式人工智能的云-边-端协同资源调度方法,在高可靠低时延约束下实现端侧任务卸载、功率控制与云侧/边侧计算资源分配的协同优化;最后,通过算例分析验证该技术在能耗、时延、吞吐量等方面的性能优势,同基于层次分析法和深度Q学习的边缘网络任务卸载算法(distributionoffloadingalgorithmbasedon analytic hierarchy process and deep Q network,AHP-DQN)和能量感知边缘计算移动管理算法(energy-awaremobility...