基于故障暂态低频分量积聚值的新能源送出线路保护方案研究

高比例新能源接入使得传统工频量保护难以适用,而行波保护是目前解决新型电力系统可靠性问题的有效途径之一。现有电流行波极性比较式保护方案依赖于首波头的准确捕捉。对此,首先分析了区内外故障时行波的折反射过程,明确了初始行波与后续折反射波间的极性和幅值关系,并定性分析了区内外故障时电流波形的变化趋势。在此基础上,利用故障暂态电流低频分量积聚值表征初始行波极性特征,进而提出了一种新型行波极性比较式纵联保护方案,可以有效解决高阻或小故障初相角情况下传统保护方案可靠性不足问题。最后,大量的PSCAD/EMTDC仿真实验表明,新方案能够可靠识别区内外故障,且具有较好的耐过渡电阻以及抗噪声干扰的能力。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络...     

基于ICEEMDAN-MBWO-WKELM短期光伏功率预测

针对光伏发电功率随机性强、波动性大且预测精度较低等问题,提出了一种基于改进自适应白噪声完备集成经验模态分解(ICEEMDAN)和多策略改进白鲸优化算法(MBWO)优化加权核极限学习机(WKELM)预测模型。首先,根据Pearson分析确定对光伏发电功率相关性较高的气象因素,并利用Kmeans++对历史数据进行聚类得到不同天气类型的相似日集。其次,利用ICEEMDAN将原始光伏功率分解为不同频率的子序列以降低其波动性。然后,对各子序列构建WKELM预测模型,并利用MBWO优化模型的核参数和正则化系数。最后,将各子序列的预测值相加得到最终的预测结果。以国内江苏某光伏电站真实数据为例对该模型及其他模型进行算例分析,结果表明此处所提组合预测模型具有较高的预测精度。     

基于测量波阻抗相位特征的三端混合直流线路纵联保护

线路的后备保护在混合直流输电系统中至关重要,但现有后备保护受分布电容和过渡电阻的影响较大,严重影响保护的可靠性和快速性。为解决上述问题,提出一种基于测量波阻抗相位特征的混合三端直流线路纵联保护方案。通过分析混合直流输电线路区内、外故障时线路两端测量波阻抗的差异性,利用S变换提取单频率的电压、电流初始行波,根据测量波阻抗相位差异构造判据区分区内、外故障。PSCAD 仿真表明,所提保护方案能可靠快速地识别区内外故障,具有较强的耐受过渡电阻的能力,并且不受故障电阻和分布电容的影响,有效提高了线路后备保护的可靠性和快速性。     

基于Kmeans-SSA-LSSVM的光伏短期功率预测

光伏发电受多种气象因素和环境因素的影响,具有明显的间歇性、随机性和波动性。为了提高光伏短期功率预测的准确性,提出了一种基于Kmeans-SSA-LSSVM的预测模型,以提高预测精度。首先使用Kmeans算法对天气进行分类,然后利用SSA优化后的LSSVM对各天气类型分别进行功率预测。结果表明与BP、SVM、PSO-SVM相比,Kmeans-SSA-LSSVM提高了光伏短期功率预测模型的精度,对电力系统并网调度有重要意义。     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。     

基于多特征分析和提取的短期光伏功率预测

在对短期光伏发电功率预测时,多维数值天气预报(numerical weather prediction,NWP)数据中存在大量冗余和不相关特征,不仅影响预测的准确度,也会增加模型的复杂度,为此提出一种基于多特征分析和提取的短期光伏功率预测模型。通过K-means++聚类选取与预测日具有相似天气类型的历史数据作为训练样本,利用一阶差分具有滤波的特性对不稳定的特征数据进行处理,同时构造新特征;引入因子分析法,考虑特征与输出功率之间的相关性并提取有效特征,由远少于特征数的公共因子作为预测模型的输入数据;最后采用XGBoost对光伏功率进行预测。对某光伏电站仿真结果表明,提出的预测模型在晴天、晴转多云和阴雨天下的均方根误差分别为5.33%、6.13%和9.5%,在非晴天模式下的预测精度较传统方法可提升3%～10%。研究结果可为复杂天气下的光伏功率预测提供参考。     

基于高频阻抗曲线匹配的混合直流输电线路纵联保护

混合直流输电具有电压等级高、输送容量大的优点,解决了传统直流受端的换相失败问题.然而,传统直流输电纵联保护依赖送受端拓扑对称下滤波器产生的故障特征,且受分布电容影响大,混合直流输电系统中受端不存在滤波器,因此传统直流输电纵联保护不能直接应用于混合直流输电系统.文中针对这一问题,提出了不依赖于滤波器产生故障特征、不受分布电容影响的纵联保护.通过分析行波的折反射,得到保护在线路正反方向故障时高频测量阻抗的差异,利用波形匹配算法识别故障方向并构造保护判据.该方法利用短窗提取行波高频阻抗特征,并利用分布式电容高频特征构成差异,解决了线路分布电容影响,同时提升了保护动作速度.以实际工程为例,搭建了两端混合直流输电系统模型进行仿真,仿真结果证明该方法能快速、灵敏、可靠地实现区内外故障判别,且具有较好的耐受过渡电阻能力.     

基于函数型特征数据的光伏短期功率预测方法

短期光伏发电功率预测对电网的安全、经济和稳定运行具有重要的意义.随着"互联网+"和"大数据时代"的到来,光伏电站收集的数据更加密集和连续,呈现出函数型特性.目前,光伏发电预测研究还局限于稀疏、离散的传统数据.针对具有函数型特征的min级数据对光伏电站短期功率进行预测.首先,通过傅里叶基函数变换将具有函数型特征的离散数据...     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于模型无关优化策略的风电短时回归预测框架设计

目前，风电出力预测面临跨环境、跨传感器设备的多任务挑战，往往需要对不同的预测目标各自独立地展开针对性训练。鉴于此，首先提出了一种基于模型无关元学习策略 (model-agnostic meta-learning, MAML)的短期预测方法，并基于该方法能够实现对新任务样本快速适应的能力设计了新型回归训练框架。然后结合卷积神经网络–长短期记忆网络、有注意力机制的Seq2Seq、有自注意力机制的Transformer、Synthesizer等时序深度网络模型，将该框架应用于风力发电预测场景。实验结果表明相比常规的预训练–微调的深度网络训练方法，所提出的方法在GEFCom2012数据集上对各算例实现了均方根误差和均方误差等指标的提高，同时各模型在短时风电出力为案例的预测任务上的泛化性能获得了一定提升。该训练框架可便捷地将主流深度学习模型和数据集转换为适应MAML策略的匹配模式。     

基于负荷频谱分析的电力系统短期负荷预测

电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性。从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测。在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果。     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。     

基于泄漏积分型回声状态网络的在线学习光伏功率短期预测

为提高光伏功率预测结果的准确性与普适性,提出基于泄漏积分型回声状态网络(LIESN)的具有在线学习功能的预测方法。在回声状态网络(ESN)中引入泄漏积分型神经元,增强储备池的短期记忆能力;分析了LIESN的参数对光伏功率预测性能的影响,得到优化后的预测模型;利用最小二乘在线学习算法对模型实施训练,得到最终的在线学习LIESN预测模型。实例证明,该算法可完成复杂的建模且适用于多种天气情况,预测精度优于BP神经网络、经典ESN及LIESN模型。     

光伏发电功率的智能预测算法

光伏发电系统的出力具有强烈的波动性,为了减轻其对电网的冲击,有必要进行光伏出力预测。提出了一种基于灰色关联度分析（gray relational analysis, GRA）和最小二乘支持向量机（ least square support vector machine , LSSVM）方法对光伏出力进行预测,该方法是传统直接预测和间接预测方法的结合,分析了辐照度、天气类型等对光伏输出功率的影响。通过GRA选择训练样本,使样本更全面地反映预测日的天气属性;然后运用LSSVM提前24 h预测输出功率,利用天津市太阳能光电建筑示范项目的实测数据对该预测模型进行了测试与评估,算例结果表明,所提出的GRA-LSSVM的预测方法具有较高的预测精度。     

基于级联神经网络的短期电力负荷预测

文章基于神经网络理论,针对武汉地区电力负荷曲线的特点,提出了采用级联神经网络进行电力负荷预测的模型,实例计算表明,该方法具有较高的预测精度和较强的适应能力。     

一种基于人工神经网络的短期负荷预测技术

提出了一种基于人工神经网络的电力系统短期负荷预测技术,该方法在计及气温因素对负荷预测影响的基础上,将神经网络同一种较为新颖的预报模型相结合,因而具有较高的预测精度。计算实例证明了该法的可行性和有效性。