基于改进遗传算法的风/光互补发电系统电压无功控制

在风/光互补发电系统中,风、光资源的随机性强,导致系统电压的稳定性差,电压控制显得尤为重要.电压控制通常通过区域无功功率的优化来实现.无功功率优化是一个带有约束的多极值非线性组合优化问题,用传统的方法很难进行处理.因此提出一种改进的遗传算法用以风光/互补发电系统的无功功率优化,该算法在一般遗传算法的基础上,对编码方式、遗传算子以及终止判据等方面作了改进.通过算例分析表明,改进的算法能够显著的提高收敛速度和计算精度,有效的实现电压的无功控制.     

基于光伏电池输出特性的MPPT算法研究

为了寻找更好的实现光伏发电系统最大功率点跟踪控制方法,基于单个光伏电池的物理特性建立了太阳能光伏电池阵列的Matlab仿真模型,分析了太阳能光伏电池阵列所具有的随着光照强度和温度不同而变化的P-U和I-U非线性特性.基于光伏电池的动态特性,在最大功率点跟踪算法的设计中增加一个电流监测回路,并结合自寻优技术对电导增量法进行改进,提出了一种自适应变步长寻优算法.仿真结果表明,该算法能够快速准确的跟踪最大功率点.     

光伏直流变压器不闭锁零电压穿越策略

针对中压直流系统双极故障下光伏直流变压器的低电压穿越问题,首先基于双有源桥和全桥隔离电路的子模块拓扑结构,分析光伏直流变压器正常运行时最大功率点追踪控制的快速实现方案。然后利用光伏电池板输出特性,提出光伏直流变压器不闭锁穿越策略,该策略对故障时长不敏感,可实现严重故障下的零电压穿越。进一步,针对故障穿越暂态过程中的过电压及子模块不均压问题,提出多控制策略间的平滑切换方案,有效降低暂态过程中的过电压现象,改善子模块间的均压效果。最后在MATLAB/Simulink环境中搭建仿真模型,验证所提策略的有效性。     

保供电型光储微电网运营策略分析

针对传统应急电源车保供电存在的资产利用率不足、成本较高等问题,结合微电网的发展趋势,提出了一种保供电型光储微电网的运营策略,重点讨论了微电网应用于保供电领域的经济性。提出了光储微电网代替应急电源车的保供电思路,从初始投资成本、运维成本、收益三方面初步分析了微电网应用于保供电领域的经济性;为了解决现阶段储能投资效益差的难题,提出了供电企业向储能投资商给予补贴的建议,并为此提出了虚拟保电量的概念;为了合理确定供电企业给予储能投资商的补贴数额,提出了非博弈和博弈2种补贴方案,并对3种运营模式中共同博弈投资模式的内部交易和定价机制进行了详细讨论。基于算例分析了不同的运营模式下供电企业和社会资本的经济效益,以确定最优的运营策略。     

考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm,WPA）缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法（improved wolf pack algorithm,IWPA）,并通过IWPA对最小二乘支持向量机（least squares support vector machine,lSSVM）进行优化,建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真,结果表明：无论是晴天、多云还是阴雨天气,所提方法预测精度更高,回归拟合时的误差波动更小。     

基于时变因素的光伏发电系统可靠性评估

随着光伏发电的大规模发展,光伏电站的可靠性水平愈加受到重视。提出一种基于时变因素的光伏发电可靠性评估方法,通过分析光伏发电系统运行机理、元件失效模式及其对输出功率的影响,建立系统输出功率的概率模型,形成光伏系统可靠性评价指标,并构造光伏发电系统六状态空间模型。基于序贯蒙特卡洛方法,综合考虑气候条件、元件老化和光照强度,对某50 MW光伏电站运行可靠性进行评估。仿真结果表明,该模型及指标可有效反映系统的实际运行情况、出力水平和故障情况,为光伏电站运维提供支撑。     

基于LightGBM算法的光伏并网系统孤岛检测及其集成的可解释研究

针对智能孤岛检测方法欠缺对数据集划分过程中标签分布不均问题的考虑,以及该领域尚未对复杂智能孤岛检测模型的决策进行可解释性分析,提出了一种基于轻梯度提升机(LightGBM)算法的孤岛检测模型。采用分层抽样的K折交叉验证检测模型的分类性能,解决数据标签分布不均的问题;提出基于决策树的Shapley值加性解释方法为主干,融合累计局部效应图和局部代理模型的集成可解释分析框架,从全局性和局部性角度对光伏并网系统的孤岛状态检测进行归因分析。算例仿真结果表明,所提模型能在传统检测方法的检测盲区中实现精确且快速的动态孤岛检测,且在电压波动、系统故障等情况下均未发生误判。基于集成的归因分析方法解决了单一可解释方法的欠合理性问题,揭示了模型输入电气特征自变量与孤岛检测响应因变量之间的关系,提高了模型的可信度。     

基于价值分解深度强化学习的分布式光伏主动电压控制方法

针对主动电压控制问题,深度强化学习能够有效地解决数学优化方法在精确性和实时性方面的不足。但传统多智能体深度强化学习方法存在信用分配、过度泛化等问题,难以学习到全局最优的协调策略,控制效果较差。为此,提出了一种基于价值分解深度强化学习的分布式光伏主动电压控制方法。将主动电压控制问题建模为分布式部分可观测马尔可夫决策过程,然后基于中心化训练和去中心化执行框架,提出分解式价值网络、集中式策略梯度2项改进措施：将全局价值网络分解为个体价值网络和混合网络,并采用所有智能体的当前策略进行集中参数更新。改进的IEEE 33节点配电网系统的算例结果表明,所提方法表现出了优越的稳压减损控制性能,且在训练速度、场景鲁棒性等方面具备一定的优势。     

Jointly improving energy efficiency and smoothing power oscillations of integrated offshore wind and photovoltaic power: a deep reinforcement learning approach

This paper proposes a novel deep reinforcement learning (DRL) control strategy for an integrated ofshore wind and photovoltaic (PV) power system for improving power generation efciency while simultaneously damping oscillations. A variable-speed ofshore wind turbine (OWT) with electrical torque control is used in the integrated ofshore power system whose dynamic models are detailed. By considering the control system as a partially-observable Markov decision process, an actor-critic architecture model-free DRL algorithm, namely, deep deterministic policy gradient, is adopted and implemented to explore and learn the optimal multi-objective control policy. The potential and efectiveness of the integrated power system are evaluated. The results imply that an OWT can respond quickly to sudden changes of the infow wind conditions to maximize total power generation. Signifcant oscillations in the overall power output can also be well suppressed by regulating the generator torque, which further indicates that complementary operation of ofshore wind and PV power can be achieved.