面向广义负荷的光伏发电系统等效建模研究EI北大核心CSCD

随着配网侧光伏发电规模持续增大,光伏发电系统的动态行为对配网侧综合负荷特性产生影响,建立面向负荷的光伏发电系统等效模型十分重要。基于Matlab/Simulink搭建了光伏发电系统并网仿真平台,通过将光伏发电系统看作一种广义负荷,并对其在暂态过程中的动态运行特性进行分析,提出一种面向负荷的光伏发电系统二阶等效模型,该等效模型由电阻、电感及电容组成的串联电路并联恒功率源构成。通过不同扰动强度下的仿真分析,检验了所提出的等效模型的有效性、泛化能力和参数稳定性。     

引入交叉熵与动态故障集的含风电大电网可靠性评估

风电等新能源大规模并网对电力系统可靠性产生了重要影响。电力系统的不断发展、电气联系的逐渐加强,以及新能源的随机波动特性,使得基于蒙特卡洛模拟(MCS)的可靠性评估方法在高可靠性系统中的计算效率大大下降。提出一种基于链表动态故障集并将之与交叉熵(CE)结合使用的新算法,一方面通过CE优化构建系统元件的最优概率分布,减小方差变化,加快指标收敛;另一方面,以基于链表的动态故障集多级索引取代状态空间中重复状态调用最优潮流的过程,以此提高系统状态评估效率。对IEEE RTS-79发输电改进系统进行可靠性评估,并与原始MCS和CE对比,结果表明,新算法合理、有效;通过变更负荷峰值改变系统可靠充裕度,对比了不同可靠性水平系统下3种方法的计算效率。     

基于动态RBF神经网络的广义电力负荷建模EI北大核心CSCD

针对新形势下分布式电源对综合负荷特性的影响,提出一种基于动态径向基函数（radical basis function,RBF）神经网络的广义电力负荷建模新方法。利用动态RBF神经网络描述综合负荷功率的动态微分变化过程,可以深度揭示广义电力负荷的动态特性。利用状态估计误差对神经网络的权值进行动态更新,并对不满足持续性激励条件的神经元的权值进行限制,使所建立的动态RBF神经网络模型参数理论上可以收敛至最优值。分别应用仿真平台和实际系统数据进行测试,结果表明所提方法的有效性。     

基于MFOA-GRNN模型的年电力负荷预测EI北大核心CSCD

精确的年电力负荷预测为电力建设和电网运行提供可靠的指导。受多种因素的影响,年电力负荷曲线呈现出非线性特性,因此年电力负荷预测问题的解决需要建立在非线性模型的基础之上。广义回归神经网络（GRNN）已被证明在处理非线性问题上是非常有效的。该网络只有一个扩展参数,如何确定适当的扩展参数是使用GRNN进行预测的关键点。提出了一种将多种群的果蝇优化算法（MFOA）和GRNN相结合的混合年电力负荷预测模型,用以解决上述问题。其中,MFOA用作为GRNN电力负荷预测模型选择适当的扩展参数。最后通过模拟实验数据分析,MFOA-GRNN模型的年电力负荷预测平均绝对百分比误差为0.510%,均方误差为0.281。并且将其结果与差分进化的支持向量机模型（DE-SVM）、粒子群优化的GRNN模型（PSO-GRNN）、以及果蝇优化的GRNN模型（FOA-GRNN）的预测结果进行了比较。最终得出,文中所提出的MFOA-GRNN模型在年电力负荷预测中的预测性能优于上述3种模型。     

考虑强度退化的海上风机齿轮结构可靠性评估方法EI北大核心CSCD

针对结构可靠性评估中多维复杂非线性积分难以求解的问题,以海上风机的齿轮结构为例,提出一种基于广义多项式混沌和最大熵模型的解析计算方法。首先,考虑风载荷对齿轮的疲劳损伤,建立考虑齿轮结构强度退化的时变可靠性模型;其次,基于随机风载和齿轮材料结构的不确定性分布,通过广义多项式混沌展开将原复杂随机模型转化为正交多项式之和的代理模型;在此基础上,利用代理模型的展开系数和正交基函数得结构功能函数的前四阶原点矩,将其作为齿轮结构疲劳可靠性的约束条件,并基于最大熵原理得到齿轮疲劳失效的概率密度函数,采用直接积分的方法求结构可靠性指标;最后,以一台2MW海上风机的齿轮结构为例进行分析计算,验证所提方法的有效性。     

基于混合模型和交叉熵重要性抽样的 发电系统可靠性评估

目前应用在发电系统可靠性评估中的交叉熵重要性抽样方法采用单一的概率质量函数描述发电系统的状态,该方法在处理高可靠性系统时需要进行大量的预抽样才能得到具有较好方差减小效果的最优概率质量函数以达到加快可靠性指标收敛的目的,而大量的预抽样过程会导致可靠性评估总体效率的下降。因此文章提出基于混合概率质量函数模型与交叉熵重要性抽样相结合的发电系统可靠性评估新方法,该方法采用多个概率质量函数描述发电系统的状态,并基于最小交叉熵原理对各概率质量函数及其对应权重进行迭代更新,最后由各概率质量函数的加权形成最优概率质量函数,利用所得最优概率质量函数对系统状态进行抽样和可靠性计算。相比于现有方法,该方法预抽样过程所需样本较少,可以在保证可靠性指标准确性的同时大幅加快系统可靠性指标的收敛速度,在处理高可靠性系统时效果更加明显。算例验证了文中方法的优势。     

广义负荷模型结构研究进展

负荷模型的准确与否对电力系统的准确仿真至关重要,但是建立反映实际负荷特性的负荷模型仍很困难,特别是对于有些系统的配网侧有电源的接入但仍以负荷为主的广义负荷.综述了广义负荷的特点,广义负荷模型的4种结构及各自特点.在概述了国内外广义负荷建模研究近况和广义负荷中的电源对电力负荷建模的影响后阐明了实测加辨识的思路建立广义负荷模型的方法.最后探讨了广义负荷模型应具有的特点.     

基于LSTM与XGBoost组合模型的超短期电力负荷预测EI北大核心CSCD

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

电网可靠性评估中相关性变量的非参数R藤Copula模型

Copula函数可将多维随机变量的边缘分布和相关性结构分开表达,在计及相关性的电网风险分析中日益得到重视。在二维相关性建模上Copula函数精度较好,而高维情况则面临模型参数估计的复杂性和准确性问题。据此,该文提出非参数R藤Copula模型,基于高维模型分解思路将高维Copula函数分解成多个二维Copula函数的乘积,并基于数据驱动方式实现二维Copula函数的非参数估计,此外为避免非参数估计中随机变量分布范围超出实际可行域的问题,进一步提出概率空间变换的思路。该文方法可实现高维随机变量相关性模型的灵活准确构建,最后,通过相关算例分析验证方法的正确性和有效性。     

基于中频段无源性指数的电网强度分析方法EI北大核心CSCD

大规模新能源设备接入电网后形成多馈入系统,其稳定性可以从电网强度视角进行量化。该文从广义奈奎斯特曲线几何角度深入分析广义短路比在强异构多馈入系统中锁相环主导振荡问题中的影响机理,提出基于新能源设备中频段无源性指数的电网强度分析方法。研究结果表明:针对锁相环主导的振荡问题,当多馈入系统的广义短路比大于系统内新能源设备扫频在中频段的无源性指数时,便可保证系统稳定。仿真结果表明所提判据有效,此外,所提判据仅使用开环系统数据以及系统广义短路比,可由新能源场站与电网侧分散实施,具有良好的实用性。     

电网可靠性评估中随机变量的高斯混合模型

电网可靠性评估通过对不确定性因素对电网运行性能影响的概率量化诊断,可深度揭示电网的风险水平并实现风险的溯源辨识,因此,不确定性因素的概率建模准确性成为可靠性评估的基础和应用前提。为实现计算精度和计算效率的综合兼顾,提出了多维随机变量的高斯混合模型,可以对任意分布的连续型随机变量进行灵活高效建模,且易于计及多维随机变量间的相关性变化规律。提出两阶段复合抽样方法对所建高斯混合模型进行抽样模拟,能够有效生成随机样本进行可靠性评估。最后,以负荷概率建模为例,对IEEE-RTS79测试系统进行可靠性评估,从模型精度和可靠性评估有效性两个方面验证了所述方法的正确性和可行性。     

基于Wide&Deep-LSTM模型的短期台区负荷预测EI北大核心CSCD

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。     

基于交叉熵重要抽样的元件可靠性参数优化解析模型

可靠性参数优化问题在其求解过程中,需要对变化的可靠性参数反复进行系统可靠性评估,导致计算效率极低。针对这一问题,本文提出了一种基于交叉熵重要抽样法的元件可靠性参数优化解析模型。首先,基于条件概率推导了考虑元件可用率变化的可靠性指标解析计算模型,通过交叉熵重要抽样法快速求取解析模型系数;其次,将可靠性指标解析模型嵌入到传统可靠性参数优化问题中,实现可靠性参数优化模型的解析表达。所提解析模型在求解过程中只需要执行一次基于交叉熵重要抽样的可靠性评估计算,避免了因可靠性参数变化而需要多次进行可靠性评估的弊端,大幅提高了可靠性参数优化问题的求解效率;最后分别采用RBTS,IEEE-RTS79和IEEE-RTS96系统进行算例分析,验证了本文所提模型和求解算法的正确性和有效性。     

基于加权网络拓扑熵的电网自组织临界状态演化EI北大核心CSCD

针对目前电网自组织临界状态演化的研究主要集中于网架结构或运行状态单一因素的情况,总结了两者在决定电网自组织临界演化进程上的区别和联系,并结合实际电网运行状态和网架结构不断变化的特点,以及通讯网中流量和有效性能模型中网络效率的定义,提出节点流量的概念,充分体现和量化了节点在传输电能中发挥的作用;在此基础上,提出用节点流量进行加权的加权网络拓扑熵,不仅能反映节点在各节点度数区间的分布情况,还能定量判断各区间节点的重要程度,其能自动跟踪电网的运行状态和网架结构变化,动态反映电网的自组织临界演化趋势,物理背景更加符合电力系统实际。结合大停电风险评估指标对河西电网的自组织临界演化进行了仿真计算,仿真结果证明加权网络拓扑熵在表征电网自组织临界演化水平上的实时性和全面性。     

基于重要抽样与极限学习机的大电网可靠性评估

由于不确定因素多、电网规模大,原始蒙特卡洛模拟(MCS)在复杂电力系统可靠性评估中无法满足实时高效的要求。提出一种基于交叉熵(CE)的重要抽样与极限学习机(ELM)相结合的可靠性评估算法,一方面通过在系统抽样环节引入CE构建元件的最优概率分布,减小方差变化,加快指标收敛速度;另一方面,采用ELM对重要抽样的状态样本进行有监督学习,以所构建的网络学习模型替代传统非线性规划方法进行状态评估,提高单次系统状态评估的效率,从而实现快速可靠性评估。对IEEE RTS-79系统进行可靠性评估,与原始MCS和CE重要抽样的对比结果表明,在一定的误差范围内所提算法合理、有效,其计算效率较原始MCS和CE显著提高。     

考虑柔性负荷的多目标安全约束机组组合优化模型及求解EI北大核心CSCD

以系统的经济成本和CO2排放量最小为优化目标,兼顾发电侧与需求侧柔性负荷的双侧协调配合,建立了考虑柔性负荷的多目标安全约束机组组合优化模型。针对传统法线边界交叉(normal boundary intersection,NBI)法求解上述模型时出现的混合整数二次规划和混合整数二次约束问题,提出了引入分段线性化策略的NBI法,在保证计算精度的同时,大大提高了求解效率。对一个10机24时段算例进行了仿真计算,一方面证明了所提算法的有效性,另一方面表明柔性负荷调度有利于提高系统的经济性,降低系统的碳排放量;同时,需求侧柔性负荷的参与对减小负荷峰谷差、缓解负荷高峰期用电压力具有重要作用,并促进了风电的进一步消纳,有助于清洁能源的利用。     

新型电力系统综合负荷广义离散等值模型

针对新型电力系统中不同组成、不同复杂程度的综合负荷,亟需一种通用的模型结构来满足新型电力系统在线安全分析精度的要求。对含电动机负荷和静态负荷的综合负荷模型进行研究,分别建立新型电力系统下考虑电压相角变化和忽略电压相角变化的综合负荷广义离散等值模型,得到综合负荷广义离散等值模型的参数,并分析模型参数与电力系统各元件的内在联系以及各模型系数间的物理特性。通过CEPRI-36节点系统的仿真对比验证了所建模型的普适性和有效性。     

基于高斯混合模型和交叉熵的电网可靠性评估算法

针对电网可靠性评估对精度和速度的需求,提出了一种基于高斯混合模型与交叉熵的电网可靠性评估方法。首先对电网节点负荷、光伏发电站光照强度或风电场风速等变量建立混合高斯模型;然后使用该模型进行重要性抽样,得到负荷样本;最后将负荷样本分摊到各电网节点上,并计算电网的负荷削减概率和期望缺供电量来评估电网的可靠性。在IEEE-RTS79系统上的仿真测试结果表明,该方法能精确、高效地评估电网的可靠性。     

考虑特征值细分的广义加性短期负荷预测模型

准确的负荷预测是保障电力市场有序运行的关键,针对单一因素预测环境受限、综合模型对变量的拆分及交互作用考虑欠周的问题,提出建立考虑温度、节假日、负荷等细分特征变量的广义加性短期负荷预测模型。首先,细分并测算了不同因素与负荷的相关系数,依据相关度筛选特征变量;其次,确定负荷波动基函数,针对细分特征变量分别建模,形成整体预测模型;最后,利用广州实际运行数据测算分析。实例表明,基于特征值细分的广义加性模型预测效果更佳,是短期负荷预测的一种有效方法。     

基于EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。