三峡水库动库容特征及其在防洪调度上的应用:2.动态汛限水位调度方法

根据水库水动力特性分析和数值模拟研究,三峡水库表现出河道型水库所具有的动库容特性,水库水面线不呈水平,坝前水位变化与库容变化不同步,按照静库容曲线计算出的水库蓄泄水量偏差可达50%以上。研究还发现,相对于水库巨大的库容变化的"惯性",坝前水位随水库下泄流量的变化比较快,通过水库的蓄放水调度可以很容易地控制坝前水位的变化,三峡水库汛期调度具有较大的灵敏性。这个特征对于三峡水库的防洪和兴利调度具有重要的价值。     

水库群运行的改进深度神经网络模拟方法

流域大规模水库群的形成导致径流时空分布发生深刻变化,而不同水库群往往分属不同业主调度管理,上游水库群的下泄计划无法实时获取,给下游水库调度计划编制带来困难,并且影响下游水库运行安全。本文提出一种水库群运行自适应矩估计改进深度神经网络模拟方法,通过改善深度神经网络参数训练方式,从水库群历史运行数据中提取调度规则,在此基础上对水库群运行进行模拟,并结合实例研究,将结果与传统神经网络方法进行综合对比。结果表明,本文所提出的方法能够更好地模拟水库群运行,所模拟的观音岩、锦屏一级和二滩水库下泄流量平均相对误差分别为8%、11%和10%,均优于反向传播（BP）神经网络结果,可为探究调度计划未知情况下的水库运行规律提供新途径。     

三峡水库动库容特征及其在防洪调度上的应用:1.库水位调度控制的灵敏性

根据水库水动力特性分析和数值模拟研究,三峡水库表现出河道型水库所具有的动库容特性,水库水面线不呈水平,坝前水位变化与库容变化不同步,按照静库容曲线计算出的水库蓄泄水量偏差可达50%以上。研究还发现,相对于水库巨大的库容变化的"惯性",坝前水位随水库下泄流量的变化比较快,通过水库的蓄放水调度可以很容易地控制坝前水位的变化,三峡水库汛期调度具有较大的灵敏性。这个特征对于三峡水库的防洪和兴利调度具有重要的价值。     

基于深度学习的特高压直流闭锁故障智能调度决策

针对特高压直流闭锁故障的处置策略问题,提出一种基于深度学习的故障特征建模方法及故障后电网调度策略生成方法,所提智能调控决策依据电网直流故障特征和运行环境信息,通过大数据驱动模型训练得到故障后的调度策略。首先根据故障环境信息,利用故障影响相关性提取有效故障信息,构建故障特征模型。然后介绍深度学习类神经网络原理和多层感知器模型,提出利用深度网络提取训练故障前后运行特征,自动生成调控策略的思路。之后利用反向传播算法构建深度学习框架,通过不断计算损失函数和准确率修正训练模型,自动生成有效故障处置策略。最后利用锦苏直流特高压线路相关的电力系统验证了所提方法的有效性。     

物理机制引导的水库调度深度学习模型研究

为了从海量数据提炼人工调度经验来指导日常工作，机器学习等技术正逐渐应用于水库调控实践中。然而，仅依赖机器学习技术形成的水库调度方案，往往无法真实反映水库调度过程，使得调度经验刻画不到位。因此，本研究构建了物理机制引导的水库调度深度学习模型，以损失函数惩罚项的形式考虑水库出库流量的水量平衡约束、单调性约束、边界约束，以数据增强的方式在模型训练集与验证集中纳入稀遇洪水调度过程。研究结果表明，该模型在常规运行条件与稀遇水文条件均能有效模拟水库调度决策，与基准模型相比，该模型的模拟结果更符合水量平衡原理，有效减少负值流量，能准确模拟高值流量。该模型可为水库智慧调度的实现提供技术支撑。     

三峡工程防洪规划与综合利用调度技术研究

三峡工程承担防洪、发电、航运和枯期向下游补水等综合利用任务,其综合利用效益显著.工程运用以来的水库综合利用调度技术研究与实践证明,水库调度运用是规划目标实现的重要手段,通过调度运用不断完善和提升规划思想,用科学发展观的规划理念,指导实时调度方案的制定,可以全面提高三峡水库综合利用效益.本文主要通过对防洪规划的认识,基于水库蓄水以来的运用实践,结合其他综合利用任务,对三峡工程防洪规划与综合利用调度技术进行初步的探讨.     

基于净雨预报信息的水库防洪调度方式研究

为进一步提高洪水预报信息在水库调度中的应用水平,本文以山东半岛龙角山水库为研究对象,首先构建在实际生产中广泛应用的新安江模型,采用确定性系数和绝对误差评价模型误差,并通过合格率评定径流深预报和峰现时间预报的精度等级。结果表明,各项评价指标在模型率定期和验证期的精度均为甲等,可为水库预报调度规则的制定提供可靠的理论依据。然后利用新安江模型预报出的净雨信息,制定水库防洪预报调度规则,调算不同频率设计洪水,并与常规调度方式下调洪结果作对比。通过比较发现,预报调度模型能够提前预泄,有效降低水库调洪最高水位和减小最大下泄流量,增加削减洪峰流量,对减小水库上下游防洪风险和提高水库防洪效益具有重要意义。     

水库防洪分类预报调度设计方法研究

在分析水库防洪调度设计存在问题的基础上,针对典型过程代表性的不足,本文提出了水库防洪分类预报调度设计方法。通过成因分析和聚类分析,确定不同天气系统的典型代表过程。结合调度经验,调度设计人员通过分别调节不同天气系统成因的设计洪水过程,建立满意的水库防洪分类预报调度规则,用来更好地指导水库实时调度。随后以碧流河水库为例,详细阐述了水库防洪分类预报调度规则的确定过程,并给出了水库实时防洪预报调度的流程。     

径流式水电站汛期水库预报调度

防洪与兴利对水库的运用是时有矛盾的，在确保工程防洪安全的前提下，根据不同的预报径流过程进行水库预报调度，可以减少最大下泄流量，增发短期电能，多蓄后期洪水，是提高径流式水电站发电效益的一条有效途径。     

三峡水库中小洪水分级调度规则研究

近年来随着上游来水减少、控制性水库陆续建成运行,以及防洪、发电、航运等方面需求日益提高,新情况下三峡水库若继续按照初步设计的防洪调度方式调度将不能很好满足新的需求,并造成大量洪水资源浪费。本文在分析三峡一些特殊水位和下泄流量的基础上,对中小洪水提出了一种结合库水位与入库流量大小进行分级调度的规则,并拟定多种方案模拟演算。结果表明:该调度规则可在不降低三峡设计防洪标准的前提下,更加合理的消峰拦蓄减轻下游防洪压力,增加通航时间,并有效利用洪水资源,较初步设计方式增加汛期多年平均发电量8%以上,充分发挥三峡水库汛期的综合利用效益。     

基于深度学习的直流配电网分布鲁棒优化调度方法

随着分布式资源的大规模接入,直流配电网能量损耗小、控制灵活的优点凸显。针对直流配电网传统物理优化模型效率低的问题,提出了一种基于深度学习的直流配电网分布鲁棒优化(DRO)调度方法,其采用深度学习方法替代了基于场景的DRO模型的迭代求解过程,通过直接预测典型场景的最恶劣概率分布来提高模型求解效率。构建直流配电网基于场景的DRO物理模型,采用列与约束生成算法迭代求解生成深度学习的训练数据;以光伏出力、负荷、范数置信度为输入,以最恶劣概率分布为输出,构建深度神经网络模型;基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度的最恶劣概率分布,构建最恶劣概率分布下的单层随机规划模型,获取等效的基于场景的DRO调度策略;采用33节点直流配电网系统为算例,验证所提方法在求解效率和计算精度方面的有效性。     

基于数据驱动的有源配电网实时调度降损策略

农村配网通常接入有较大容量的小水电等分布式电源,在向上级电网反送电能的过程中造成了大量的线损,因此本文提出了一种实时调度策略旨在降低配电网的线损。首先,考虑分布式电源的有功无功控制以及有载调压分接头的控制,基于支路潮流模型建立了配电网调度降损模型;进一步,通过构造高维随机矩阵,从配电网运行时间序列数据中提取能够表征运行状态的特征作为输入,对配电网历史调节策略进行热编码作为输出;然后利用深度双向长短时记忆网络学习配电网特征与网络降损策略之间的函数映射关系,建立基于数据深度学习驱动的有源配电网实时调度降损模型。最后,基于实际有源配电网系统进行了仿真,仿真结果表明所提出的实时调度算法能在保证小水电上网收益的前提下,优化小水电的出力曲线,提高分布式电能的就地消纳率,从而降低了网损。     

基于深度强化学习的微电网在线优化

针对微电网的随机优化调度问题,提出了一种基于深度强化学习的微电网在线优化算法。利用深度神经网络近似状态-动作值函数,把蓄电池的动作离散化作为神经网络输出,然后利用非线性规划求解剩余决策变量并计算立即回报,通过Q学习算法,获取最优策略。为使得神经网络适应风光负荷的随机性,根据风电、光伏和负荷功率预测曲线及其预测误差,利用蒙特卡洛抽样生成多组训练曲线来训练神经网络;训练完成后,保存权重,根据微电网实时输入状态,神经网络能实时输出蓄电池的动作,实现微电网的在线优化调度。在风电、光伏和负荷功率发生波动的情况下与日前优化结果进行对比,验证了该算法相比于日前优化在微电网在线优化中的有效性和优越性。     

基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明：所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。     

基于深度强化学习的风电场储能系统预测决策一体化调度

风电场储能系统的优化控制可以提高风电场作为发电商在电力市场中的竞争力.文中提出基于深度强化学习的储能系统预测决策一体化调度方法,令高维度的风电场原始测量数据直接驱动储能系统.与预测、决策相分离的传统调度模式相比,预测决策一体化调度模式将风电功率预测与储能系统动作决策相融合,避免了预测阶段中有效决策信息的损失,使风电的随...     

电网水调自动化系统

电力自动化研究院开发的WDS-9000电网水调自动化系统由1个中心(省调或网调)和多个分中 心(各水电厂)组成,它涉及所属流域或水系的各水情自动测报系 统、发电机组监控系统、闸门自动监控系统以及防汛部门和国调中心,并将它们相连构成计 算机广域网,具有水情信息采集、流域监视、水务计算、实时洪水预报、降水(或径流)中 长期预报、水库调度、灾情评估、水火电联合调度等功能。介绍了系统的软硬件配置、 网络结构以及应用软件的设计思想。     

基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于神经网络的微电网参与上层电网实时优化调度策略

微电网优化调度策略除要解决风电、光伏就地消纳及其自身稳定运行问题外,还应具备调用分布式电源、具有需求响应能力的负荷等灵活性资源向电网提供辅助服务,参与上层电网实时调度的能力。基于此,文章提出一种基于BP神经网络的微电网资源优化调度策略。结合微电网运行成本和需求响应容量收益建立日前阶段经济最优调度策略;日内模拟阶段模拟预测功率波动以及上层电网实时需求,通过神经网络学习,得到日内阶段调度模型,为日内调度做准备;日内阶段通过上层电网的需求响应信号,将联络线功率输入到神经网络训练模型当中,得到日内阶段各个分布式电源实时功率。所提策略既能保障微电网的经济运行,又能满足上层电网的实时调度要求。最后以日后最优调度算例结果验证了策略的经济性和有效性。