基于多元大数据平台的用电行为分析构架研究

随着智能电网的发展,越来越多的测量装置向底层延伸。高级测量体系和配电网的发展不可避免地使用户用电数据量呈几何倍数增长,另一方面,电网也在积极寻求方法让需求侧可以充分地参与电网调控,增强电网可控性和经济性。在上述背景下,运用配用电数据分析用户用电行为建立相关驱动方法,可充分利用现有资源,为政府政策制定、电力公司业务拓展和用电行为引导提供新的解决思路。在配用电数据采集、聚合、处理和应用等方面提出了以大数据平台为基础的整体构架,设计了基于流处理和批处理的数据驱动方法,提出了适用于多维大数据用电行为分析的随机矩阵相关性算法,最后讨论了用电行为分析面向不同对象的应用场景。     

基于人工神经网络的电力系统精细化安全运行规则

随着大规模可再生能源不断并网,对电网的实时调控能力提出了更高的要求。传统的基于在线关键断面自动发现以及基于连续潮流的在线极限传输容量计算方法,模型复杂、计算周期长,难以做到在线运行。从数据驱动的角度出发,首先将电网实时运行状态的潮流量抽象为该时刻电网的运行特征;然后对所有特征进行聚类和分布式特征选择;最后运用人工神经网络建立所选特征与关键断面极限传输容量之间的对应关系。算例分析表明,所提基于人工神经网络的电力系统精细化安全运行规则,在保证时间效率的前提下,能够在一定程度上提高关键断面极限传输容量的预测准确度。     

基于数据驱动鲁棒优化的用户侧综合能源舱低碳规划

在“双碳”目标下,实现多能互补利用的综合能源系统规划研究势在必行,而装卸、配置灵活的用户侧综合能源舱成为了新兴的重要研究对象。构建了引入多元混合储能、碳捕集装置的两阶段综合能源舱规划模型,达到了舱内多能灵活互补、碳排放回收利用的效果。为处理能源舱规划环节中的风电、光伏新能源出力和用户负荷不确定性问题,提出了基于极端场景椭球集的数据驱动鲁棒优化方法,对不确定变量间的相关性进行精确描述,改善了传统鲁棒优化结果过于保守的问题,并通过相较传统分布鲁棒概率计算方法而言更简便的椭球端点提取方法以得到极端场景。利用椭球极端场景优势,改进了列与约束生成法(column and constraint generation method,CCG)求解方法的步骤,避免了复杂子问题对偶处理。最后通过算例仿真,与传统区间不确定集鲁棒优化方法进行对比,证明所提规划方法在降低经济成本与节能低碳方面的优越性。     

基于mRMR-XGboost-IDM模型的两阶段可调鲁棒经济调度

源荷双端不确定性导致的频繁弃风切负荷现象严重影响微网运行经济性。为有效应对源荷不确定性,文章提出一种基于最小冗余最大相关-极限梯度提升算法改进非精确狄利克雷模型(minimum redundancy and maximum correlation-extreme gradient boosting improved imprecise Dirichlet model, mRMR-XGboost-IDM)的两阶段可调鲁棒微网经济调度模型。首先,针对基于非精确狄利克雷模型(imprecise dirichlet model, IDM模型的不确定模糊集高度依赖历史数据数量的不足,结合mRMR-XGboost预测方法对其进行改进,扩大历史数据体量以提高所得不确定区间的精确度。其次,基于得到的不确定区间,构建微网两阶段鲁棒经济调度模型,并引入可调鲁棒参数协调经济性和鲁棒性。最后,采用列约束生成算法(column-and-constraint generation,C&CG)、对偶理论以及大M法求解最优经济调度策略。算例验证了所提模型可提高不确定区间刻画准确度,有效应对源荷不确定性并提高系统运行经济性。     

基于物理及数据驱动的流体动画研究

主要针对近年来流行的基于物理及数据驱动的各种流体动画模拟算法及其应用给出了一个全面的前沿性综述.首先,对传统的基于物理的流体模拟加速方法进行了综述和总结,同时给出了此类方法中各种算法的优劣性分析;其次,对现有的基于数据驱动的多种算法进行了综述和分析.特别地,将现有的数据驱动方法归结为3类,即数据插值法、数据预计算方法和基于深度学习的方法.并且,进一步讨论了基于数据驱动的流体动画模拟算法的几个关键问题以及其研究趋势与方向.     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

Data-enabled extremum seeking: A cooperative concurrent learning-based approach

This paper introduces a new class of feedback-based data-driven extremum seeking algorithms for the solution of model-free optimization problems in smooth continuous-time dynamical systems. The novelty of the algorithms lies on the incorporation of memory to store recorded data that enables the use of information-rich datasets during the optimization process, and allows to dispense with the time-varying dither excitation signal needed by standard extremum seeking algorithms that rely on a persistence of excitation (PE) condition. The model-free optimization dynamics are developed for single-agent systems, as well as for multi-agent systems with communication graphs that allow agents to share their state information while preserving the privacy of their individual data. In both cases, sufficient richness conditions on the recorded data, as well as suitable optimization dynamics modeled by ordinary differential equations are characterized in order to guarantee convergence to a neighborhood of the solution of the extremum seeking problems. The performance of the algorithms is illustrated via different numerical examples in the context of source-seeking problems in multivehicle systems.     

基于改进粒子群寻优的数据中心精密空调无模型 自适应预测控制

为实现数据中心热通道温度的精确控制,减少由于温度控制方式粗放造成的能源浪费,提出一种基于改进粒子群寻优(improved particle swarm optimization,IPSO)算法的数据中心精密空调无模型自适应预测控制(model free adaptive predictive control,MFAPC)方法. 首先,考虑到MFAPC控制器参数空间大以及数据中心被控系统的动态复杂性,对粒子群寻优(particle swarm optimization,PSO)算法的惯性权值进行变权改进,从而提高PSO算法的前期探索和后期挖掘能力,最终获得最优控制器参数. 然后,由于数据中心存在冷通道温度和风量的限制,因此将控制量约束问题转化为二次规划约束问题,并利用IPSO算法实现MFAPC控制器的每一控制步参数最优化,使得MFAPC输出的每一步控制量都是当前系统状态下的最优控制量. 最后,基于北京市某数据中心现场数据,通过控制数据中心机房热通道温度预测模型对所提方法进行验证. 带控制量约束IPSO-MFAPC方法在总体控制误差、超调量、快速性上都极大地优于MFAPC控制器. 结果表明该文所提IPSO-MFAPC方法能够实现数据中心的热通道温度精确控制.     

Noise-Tolerant ZNN-Based Data-Driven Iterative Learning Control for Discrete Nonaffine Nonlinear MIMO Repetitive Systems

Aiming at the tracking problem of a class of discrete nonaffine nonlinear multi-input multi-output (MIMO) repetitive systems subjected to separable and nonseparable disturbances, a novel data-driven iterative learning control (ILC) scheme based on the zeroing neural networks (ZNNs) is proposed. First, the equivalent dynamic linearization data model is obtained by means of dynamic linearization technology, which exists theoretically in the iteration domain. Then, the iterative extended state observer (IESO) is developed to estimate the disturbance and the coupling between systems, and the decoupled dynamic linearization model is obtained for the purpose of controller synthesis. To solve the zero-seeking tracking problem with inherent tolerance of noise, an ILC based on noise-tolerant modified ZNN is proposed. The strict assumptions imposed on the initialization conditions of each iteration in the existing ILC methods can be absolutely removed with our method. In addition, theoretical analysis indicates that the modified ZNN can converge to the exact solution of the zero-seeking tracking problem. Finally, a generalized example and an application-oriented example are presented to verify the effectiveness and superiority of the proposed process.

     

计及最恶劣场景概率和供需灵活性的综合能源系统分布鲁棒低碳优化调度

随着可再生能源渗透率的提升,其不确定性给综合能源系统(integrated energy system, IES)的经济性和鲁棒性带来了极大挑战。为了促进可再生能源消纳以及降低碳排放量,提出了一种基于数据驱动的分布鲁棒优化(distributionally robust optimization, DRO)调度策略。首先,构建了由有机朗肯循环(organic Rankine cycle, ORC)、氢燃料电池和电动汽车等构成的供需灵活响应模型,并引入阶梯碳交易机制来约束系统碳排放量。其次,为了能获取最恶劣情况下的场景概率分布,采用综合范数对风电输出场景的概率分布置信集合进行约束。然后,以在最恶劣场景概率分布下综合能源系统运行总成本最低为目标建立两阶段鲁棒优化模型,并通过列和约束生成(column and constraint generation, CCG)算法对模型进行迭代求解。最后,算例仿真结果表明了所提模型和求解方法的有效性,并分析了阶梯碳交易机制和供需灵活响应模型对提高系统灵活性和低碳经济性的影响。