考虑风电接入和气电转换的综合能源系统日前区间优化

针对气电综合能源系统优化调度中未充分挖掘可调度因素、未充分考虑风电预测误差不确定性的现状,研究含风电的气电综合能源系统日前区间优化调度方法。首先,基于区间数学对风电出力的不确定性进行区间描述,综合考虑抽水蓄能、气电双向转换以及需求响应等资源和技术,并用区间数学表示优化目标和优化约束,构建含高比例风电的气电综合能源系统日前优化模型,综合优化系统的经济性、环保性。然后,基于区间序关系和可能度的方法将区间优化模型转化为确定性优化模型,继而采用Jaya算法进行求解,保证求解的高效性和解空间的可行性。最后,进行算例分析,仿真结果验证了综合利用抽水蓄能、气电双向转换以及需求响应等要素对系统进行区间优化,能取得优化效果上的优势,并能为系统调度人员提供风电不确定度对系统优化影响的信息。     

基于CatBoost算法的配电网分区拓扑辨识

含多分布式电源配电网的拓扑结构具有多样性与多变性,影响拓扑辨识的实时性和准确性。提出一种基于CatBoost算法的配电网分区拓扑辨识方法。构建结合拓扑分区的配电网拓扑辨识框架,采用区域开关状态矩阵描述拓扑结构,以进行物理上的辨识降维;提出基于CatBoost算法的特征选择与拓扑辨识方法,通过分区并行离线训练得到历史拓扑和未知拓扑的区域拓扑辨识CatBoost模型,通过在线应用得到实时的区域开关状态矩阵标签,形成配电网开关状态矩阵,实现系统拓扑辨识。配电网算例系统测试结果验证了所提方法的有效性。     

基于深度强化学习的家庭综合需求响应在线优化

家庭综合需求响应(home integrated demand response, HIDR)是重要的节能减排技术,家庭能源系统的不确定性和设备动态投退,要求HIDR优化策略具有在线自适应调整能 力.该文以深度强化学习为核心,研究HIDR在线优化方法.首先,鉴于气电两用设备对HIDR的重要价值,将其作为优化对象.然后,...     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

面向弹性提升的主动配电网重构与元件修复协同方法

极端事件会导致主动配电网出现多处故障且故障元件修复时间长,传统的故障恢复方法会使得系统的弹性低。针对主动配电网的故障恢复阶段,提出了一种面向弹性提升的重构与故障元件修复协同方法。首先,结合计及负荷重要程度的主动配电网弹性指标,分析出故障恢复阶段弹性提升的主要措施;在此基础上,提出重构与故障元件修复协同策略框架,给出交替协同中线路状态变量和节点负荷供电状态变量的更新与关联。其次,建立全过程故障元件修复和重构的目标函数。针对主动配电网含多分布式电源特点带来的故障元件上下游关系难以判别问题,提出基于消线解故障环法和圈源等效法的判别方法。最后,算例结果表明,所提方法能有效地提升主动配电网的弹性。     

基于态势利导的同步逆变器负序电流抑制方法

电网电压不平衡时,同步逆变器并网运行输出负序电流导致三相并网电流严重不平衡,进而使电网不稳定加剧,制约了其在新能源并网中的应用。针对此问题,对电网电压与逆变器输出电压未能同步而产生的不平衡电流进行机理分析,提出了一种抑制负序电流的新方法。该方法首先对逆变器输出电流进行态势预测,提前预知电流态势信息,然后将预测所得电流变化量转化为相应电压变化量作为前馈信息输入同步控制系统进行实时补偿,可实现同步逆变器态势利导下的快速预防控制。仿真结果表明,所提方法有效抑制了电网电压不平衡时的负序电流,降低了电流不平衡度,并提高了控制系统的动态性能。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于负荷恢复价值折算的主动配电网电力-通信故障统一修复策略

极端灾害下,先修复电力网络的传统配电网修复策略,难以发挥信息物理融合主动配电网（ADN）的调度自动化功能,导致系统弹性低。针对该问题,提出一种电力-通信故障统一修复策略。首先,定义度量弹性的故障恢复力指标,并基于信息盲区分析通信系统对故障恢复过程的影响;然后,提出基于故障概率的负荷恢复价值折算方法,量化电力和通信故障修复带来的负荷恢复;在此基础上,建立含负荷恢复价值折算值和故障恢复时间的抢修任务分配目标函数,生成统一修复任务分配方案。算例仿真结果表明,与先修复电力网络相比,在极端灾害情况下所提策略可有效提升ADN弹性。     

基于LSSVM的电-气区域综合能源系统短期可靠性评估

电-气区域综合能源系统电、气相互影响,一方面使得模型驱动的单一能源系统可靠性评估方法不再适用;另一方面由于天然气的引入,导致其短期可靠性评估计算开销大。为综合解决这两个问题,提出用机理模型结果训练最小二乘支持向量机（LSSVM）,由LSSVM在线评估短期可靠性的方法。首先,建立元件可靠性模型,提出基于系统等效节点模型的故障后果分析方法。在此基础上,构建基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,获得训练样本。然后,构建LSSVM回归模型,通过离线训练,得到系统状态与短期可靠性指标间映射的LSSVM模型,实现系统短期可靠性实时评估。最后,电-气区域综合能源算例系统测试验证了所提方法的准确性和快速性。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。