复杂阴影条件下光伏阵列的建模与仿真分析

在单块光伏电池模型及其物理接口设计基础上,采用串并联旁路二极管和防逆二极管的方式,提出了适用于任意阴影条件的光伏阵列的建模方法。在此基础上对各种阴影情况进行了仿真分析,验证了旁路、防逆二极管在光伏发电系统中的重要性,并总结了在复杂阴影作用下光伏阵列的输出特性变化规律。最后通过一个实际光伏工程验证了所建模型的可行性与实用性。     

基于解空间分解的电力系统无功优化

为解决大型电力系统无功控制变量维数灾的问题,提出一种基于解空间分解的方法对电力系统进行无功优化。通过摄动分析选出无功优化中最活跃的控制变量,根据该控制变量分解解空间,最后在JADE(Java agent development)平台上对分解后的问题进行并行计算。应用该方法对IEEE30节点系统进行无功优化计算,结果表明基于解空间分解的办法在电网无功优化计算中具有较强的全局搜索能力和较高的收敛精度。     

基于模糊信息粒化和长短期记忆网络的短期风速预测

针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值(区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。     

考虑风电的电力系统机组组合两阶段优化方法

电的随机性和波动性给电力系统的安全经济运行带来了严峻的挑战,合理的风电不确定性模型及机组组合优化方法是保证电力系统日前调度安全性和经济性的关键。为此,提出一种考虑风电的电力系统机组组合两阶段随机优化方法。根据风电出力历史数据的非参数经验分布,生成符合风电随机性和波动性的风电动态场景。考虑到场景削减过程中容易忽略的一些极端边界场景会增加系统的弃风或切负荷风险,提出以削减后的场景和极端边界场景为输入的机组组合两阶段优化模型。同时,为求解机组组合这一非线性混合整数优化问题,提出一种混合遗传纵横交叉算法的优化方法。通过实验仿真结果证明了所提模型和方法用于求解考虑风电的电力系统机组组合问题时的合理性和有效性。     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。     

小波贝叶斯神经网络在冲击负荷地区短期负荷预测中的应用

大量随机冲击负荷(炼钢厂、轧钢厂)接入系统给负荷预测造成困难,使得短期负荷预测精度下降。首先就冲击负荷地区的负荷特征进行分析,找出影响负荷预测精度的原因,提出利用小波变换对负荷序列进行多尺度分解,得到在不同频段下负荷子序列,重点针对各负荷分量不同特点,建立含不同输入量的贝叶斯神经网络预测模型,再将预测结果进行小波重构,从而得出最后预测结果。再与另两种模型进行对比,结果表明该方法能提高冲击负荷地区的短期负荷预测精度。     

基于遗传算法的水电机组盘车数据处理方法研究

针对多点任意转角连续盘车数据,提出了一种基于改进遗传算法提取正弦信号参数的求解方法。基于MATLAB遗传算法工具箱,以牡丹江电厂为例,对盘车数据进行了仿真研究,数据结果表明,该方法具有精度高和全局收敛的优点。     

改进的Faster R-CNN方法及其在电缆隧道积水定位识别中的应用

针对电缆隧道内积水的问题,提出了一种改进的基于区域建议的卷积神经网络(Faster R-CNN)方法,并将其应用在电缆隧道积水定位识别中。考虑到Softmax分类方法的正则化参数选取会引起概率计算产生问题,改用支持向量机(SVM)进行图像分类,以增强分类的置信度。使用区域建议网络(RPN)提取隧道积水原图中的区域建议,然后用Fast R-CNN检测网络在建议框中进行图像识别、SVM分类和位置精修。实验结果表明,所提方法计算速度快、识别精度高,在实际工程中表现出较高的效率。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测

高精度的风电功率预测对风电的并网运营至关重要.为提取风电功率输入序列隐含的时间信息,建立以门控循环单元为基础的预测模型;并在模型输入侧引入时序注意力机制,通过与输入进行加权的方式提高模型对关键历史时间节点的敏感性.为加速模型收敛,在训练的早期利用动态混沌纵横交叉算法优化预测模型的权值和阈值;同时,通过构造多指标共同作用并联合待优化参数的正则项作为目标适应度函数,以避免优化过程中模型泛化性问题的出现.以某风电场采集间隔为1h和10min的实测数据进行实验,结果表明所提组合预测方法性能优于其他对比模型,并对其有效性进行了验证.