基于自注意力编码器和深度神经网络的短期净负荷预测

随着新能源渗透比例的提高，新型电力系统的源荷平衡与稳定运行依赖于更精确可信的预测。净负荷是实际负荷减去新能源出力的负荷需求，其准确的预测结果能够有效提高电力系统运行经济性与安全性。该文采用直接预测策略，提出基于自注意力编码器和深度神经网络的净负荷预测模型，该模型包括提取原始不确定量特征信息的自注意力编码器模块和提取净负荷时序特征的长短期记忆神经网络模块，两个模块提取的特征信息输入残差神经网络后输出最终的预测结果。同时，由于净负荷集成了负荷、风光等多个不确定量，波动性较强，该文结合条件分位数回归有效实现非参数区间预测，来量化预测不确定性，评估净负荷波动范围。算例分析表明，所提模型相比常见的预测模型取得了更高的净负荷预测精度，给出的预测区间质量也优于基线模型，能够有效支持电网实时运行。     

实用化水火风光系统时序电力电量平衡方法

新型电力系统背景下,新能源占比逐步提高。新能源的随机性、波动性和反调峰特性使电力系统调节困难,电力电量平衡分析面临新的挑战。本文结合能源转型战略需求,首先提出了新型电力系统电力电量平衡模式,给出了电力电量平衡关键流程;接着对火电、水电、抽水蓄能/储能电源进行精细化建模,建立时序电力电量平衡模型;最后基于实际电网数据的算例分析验证所提方法的准确性和效率。结果表明,该方法能够准确反映水、火和储能机组的出力特性,给出新能源消纳情况,支撑提升措施研究,显著提升科学规划水平。     

含指数型目标函数的电力系统抗差状态估计方法在江西电网中的应用

电力系统状态估计是能量管理系统的核心和基础模块,然而当量测系统中存在不良杠杆量测或一致性不良数据时,传统的含不良数据辨识程序的最小二乘估计不能很好地排除不良数据对状态估计的影响。为此介绍了一种能够自动排除不良数据对状态估计影响的含指数型目标函数的电力系统抗差状态估计模型,分析了该模型的理论基础和数学特性,给出了该模型在江西电网的应用方法和效果。结果表明,该抗差状态估计模型能够显著提升电力系统状态估计的精度,同时还能够保证严格满足零注入等式约束。     

含控制器在内电力系统元件的完整结构化模型及其简化(Ⅰ):建模方法与同步发电机建模应用

现代电力系统中的各元件,如发电机与高压直流输电、柔性交流输电等电力电子装置,均安装有控制器,当进行区域控制或进行区域级仿真或分析时,需要含各元件控制器的完整区域模型。但完整区域模型非常复杂,因而迫切需要能对其合理简化,既能准确描述整个区域的主要动态特性,又能大大降低微分方程的阶数,降低模型的复杂性与非线性特性。而区域级模型简化的核心和重点又在于元件级模型的简化。该系列文章建立含控制器的元件完整结构化模型(微分–代数方程形式),并给出其简化方法。不同于传统的线性化等效或主导极点简化,提出的简化方法,在保证微分–代数系统性质、保留隐动态的前提下,大大降低微分方程阶数与复杂性,为实时控制提供合适的区域级(机电暂态)模型。该文给出元件完整与简化结构化模型的一般形式与规范化构造方法,建立含各种控制器(包括传统的解析与神经网络等非解析控制器)在内的同步发电机的完整结构化模型并做模型简化,简化模型与完整模型的仿真试验对比验证了简化方法的有效性。     

电力系统动态电压的单调控制特性

高比例新能源和电力电子设备的接入使得当前电网对动态电压的变化更加敏感。将单调控制系统理论应用于动态电压问题,提出输入-输出单调的判定条件,指出动态电压过程中存在单调控制特性。借助该理论论证不同规模交流系统中低压减载控制与动态电压间的单调特性,并在单机系统与区域电网中进行验证。对于新能源接入后的电力系统,简化其故障恢复期间的动态电压模型,在论证其单调控制特性的基础上,对潜在的反复低电压穿越问题进行预判,并在实际新能源送端电网中对该问题进行仿真,验证了所提改进策略的有效性。     

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。     

基于模式参与因子的电力系统动态稳定性分析

基于电力系统动态分析的微分代数模型,提出一种动态稳定性分析和失稳类型判别方法。利用带预测-校正步骤的延拓算法追踪平衡解流形,并采取考虑流形曲率大小的自适应策略控制步长;在计及元件动态特性的基础上,利用小扰动法在每个平衡点分析电力系统的动态稳定性,并用数值摄动法计算状态矩阵;根据状态变量的模式参与因子可方便判断系统的动态失稳类型。利用本文所提方法对新英格兰10机39节点系统进行了仿真分析并与时域仿真进行了比较,所得结果证明了本方法的有效性和实用性。     

基于故障区域识别及信息时序属性的电网故障诊断

针对电网故障诊断中的不确定和不完备信息,以及考虑到信息的时序逻辑关系,提出基于故障区域识别及信息时序属性的电网故障诊断方法。首先通过故障区域的识别确定可疑故障元件,减小了诊断范围。充分利用电力系统时序特性,建立带有时间戳的模糊Petri网模型,并利用时序逻辑矩阵对时序不一致信息进行识别和修正。给出该电网故障诊断方法的流程,通过仿真验证了所提方法的可行性。     

考虑电网潮流分布的输电线路动态参数估计方法

随着广域量测系统在电网的应用普及,电力系统量测数据冗余,历史数据越加充足,利用大数据对电网进行动态监测,实时监测与动态分析已成为电力工程研究的热点之一。基于电网量测数据提出一种输电线路动态参数辨识方法。该方法依据电网量测数据,模拟调度功率平衡控制思想,采用优化潮流的计算方法,预测电力网络潮流分布,利用回路新息相角估计电力网络参数偏差,辨识实时动态的支路参数值,并与运行环境进行拟合验证。通过算例验证,该方法能够比较快速准确地获取电网动态参数值,提高参数估计准确度。     

基于时序生产模拟仿真的宁夏电网风光优化配比研究

宁夏风和光资源丰富,风电和光伏发电发展并驾齐驱。建立了含新能源发电的电网年度时序生产模拟仿真模型,以电网节能减排效益最大为目标,综合考虑了风光出力特性、负荷特性、机组调峰特性、不同种类供热机组热电耦合特性等因素。在建立模型的基础上,仿真研究了2015年宁夏电网新能源发电接纳能力,得到了综合考虑新能源限电率和电网节能减排效益的风光优化配比。该结果可为地区风电和光伏发电建设、电力系统调度以及政府相关政策制定提供指导。     

基于循环神经网络的动态等值模型辨识

为了在系统稳定计算分析中简化和减小计算难度,用动态等值作为一种建模方法提出了一种基于循环神经网络的电力系统动态等值法并结合串并联辨识结构将其用于等值后模型的辨识。这种方法不需要预先建立确定的动态模型,仅靠边界节点的测量数据。循环神经网络的权值和结构决定了被等值外部模型的参数和结构。对IEEE的39节点进行的仿真结果表明了该方法能够捕捉原始系统的动态特性,有较高的精确性。     

Identification of power system load dynamics using artificialneural networks

Power system loads are important in the planning and operation of an electric power system. Load characteristics can significantly influence the results of synchronous stability and voltage stability studies. This paper presents a methodology for the identification of power system load dynamics using neural networks. Input-output data of a power system dynamic load is used to design a neural network model which comprises delayed inputs and feedback connections. The developed neural network model can predict the future power system dynamic load behavior for arbitrary inputs. In particular, a third-order induction motor load neural network model is developed to verify this methodology. Neural network simulation results are illustrated and compared with the actual induction motor load response     

基于GA优化GRU-LSTM-FC组合网络的风电场动态等值建模

针对风电场动态等值建模依赖于运行方式和特定扰动,难以获得普适性强的通用等值模型的难题,提出了基于门控循环单元-长短期记忆-全连接(GRU-LSTM-FC)组合网络的数据驱动建模方法,并提出基于遗传算法(GA)对组合网络模型进行调优。首先将风电机组描述为一组微分代数方程组,模型输入为测风塔风速、风向和公共耦合点处的电压时间序列,模型输出为风电场功率时间序列。然后对比了具有记忆作用的LSTM(GRU)网络结构与风电机组微分方程的相似性,以及FC网络结构与风电机组代数方程的相似性,提出基于GRU-LSTM-FC组合网络的风电场等值建模方法。为对组合网络进行模型调优,利用GA优化组合网络中的FC层数和各层神经元数目。最后以某风电场为例验证了所提组合网络进行风电场等值建模的可行性,并将所提方法与其他神经网络模型进行了对比,分析了所提模型的优越性。     

An efficient method of simulating stiffly connected power systemswith stator and network transients included

A method is presented for simulating interconnected power systems with the stator and network transients included. This method is well suited for stiffly connected power systems in which tie-lines interconnecting the system components are electrically short (i.e. the tie-line charging capacitance can be neglected). The respective state-space models of the network and of the electric machines, combined with the algebraic constraint equations imposed by their interconnection, comprise a set of differential-algebraic equations which describes the composite system dynamics. A systematic procedure has been developed in which these differential-algebraic equations are used to establish a conventional state-space model of the composite system. Simulations of an example system have shown that the computation time associated with this method is comparable to that established using reduced-order models in which the stator transients are neglected     

UPFC新型多指标控制设计

针对统一潮流控制器(UPFC)控制系统模型及其控制性能中动、静态品质协调不足的问题,提出一种基于微分代数系统控制理论下的UPFC新型控制系统模型。并结合非线性控制设计中多指标控制设计理念,选取多个目标状态量线性组合为输出函数,运用微分代数系统控制设计方法,设计了统一潮流控制器(UPFC)的新控制策略。最后在单机无穷大系统上对其进行暂态仿真。仿真结果表明,所设计的微分代数控制系统能够很好地解决接入点静态偏移的问题,并有效地控制节点电压和线路的潮流,改善了电力系统的暂态稳定性。     

复杂电力系统的接口概念与结构化模型

针对电力系统这样一个特殊网络结构的复杂非线性大系统，首先从分析元件与电网之间的接口关系着手，给出了基于接口概念的元件分类方法，并定义了可灵活描述元件与电网之间接口关系的接口变量。接着建立了由动态微分方程与接口代数方程组成的结构化模型。该结构化模型可完整描述元件的复杂非线性特征，具有微分-代数子系统的形式，可统一描述电力系统中的各类元件，同时其变量和方程个数可规范化确定。最后介绍了基于结构化模型设计元件非线性分散控制器的基本思路。     

基于动态神经网络的风电场输出功率预测

随着风电的大规模发展,准确预测风电场输出功率对于风电场的选址、大规模并网及运行具有重要的作用。文中提出了局部反馈时延神经网络和全局反馈时延神经网络2种动态神经网络预测模型,以适应风功率的时间序列特性,并与静态神经网络预测模型进行了比较。以国内北方某风电场的风功率预测为例,结合气象预报数据进行提前24h的风电输出功率预测,仿真结果表明,动态神经网络在预测具有时间序列特性的风功率时效果优于静态神经网络。     

Decomposition multi-step non-iterative method for the numerical integration of short-term and long-term dynamics of power systems

A decomposition multi-step non-iterative method for the numerical integration of short-term and long-term dynamics of power systems is given. This method is derived, on the one hand, on the basis of the triangular block alternative semilinear structural property, where it is to be noted that the triangular block alternative linear dynamical system is a special case of triangular block alternative semilinear dynamical system and, on the other hand, on the basis of representing the vector function of the time variable with a special form of interpolation polynomial. The method can be applied not only for the numerical integration of short-term and long-term dynamics of power systems, but also for all other cases where the model of the dynamical system can be represented in triangular block alternative semilinear form. Numerical stability, accuracy and computation speed of this method make suitable for many applications, such as the dynamic security analysis of power systems.     

基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型

冷、热、电负荷预测是发挥区域综合能源系统优势的关键技术。由此构建了基于灰色关联度分析(grey relation analysis,GRA)和长短期记忆(long short term memory,LSTM)神经网络的区域综合能源系统多元负荷短期预测模型,该模型利用LSTM神经网络在处理时间序列中间隔或延迟较长的样本和非线性数据方面的优势,采用GRA法定量分析多元负荷之间以及和各气象影响因素之间的耦合性。针对北方地区气候特点,利用DeST软件建立某写字楼建筑模型,运用动态模拟和统计方法模拟出写字楼全年逐时冷、热、电负荷。算例分析结果表明,基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型具有较好的预测精度和应用价值。     

使用直接神经动态规划方法的SVC附加阻尼控制

电力系统具有的规模巨大、强非线性和不确定性等因素一直是动态稳定控制中难以解决的问题，而直接神经动态规划方法是一种基于测量的不依赖于系统模型的在线控制方法，文中用于实现4机2区系统中SVC的附加阻尼控制器的设计，主要由两部分组成：执行网络和评价网络，这两部分均为神经网络，前者用于产生控制信号，后者用于评价当前的系统状态，并据此调整控制律。文中还通过在MATLAB环境下的仿真，分析了其学习能力、控制效果和适应能力，与使用传统方法设计的控制器的比较结果显示了其在适应性上的优越性。