基于谐波传递矩阵的MMC换流站频率耦合特性建模与分析

模块化多电平换流器(MMC)应用于柔性直流输电系统可有效降低输出谐波和开关损耗,同时也带来突出的系统稳定性问题。阻抗稳定性分析方法可用来分析MMC系统运行时产生的稳定问题。现有文献建立的MMC阻抗模型均为正序阻抗和负序阻抗相互解耦的序阻抗模型,并通过单入单出的阻抗稳定判据分析系统稳定性。然而,MMC在低频段呈现较为显著的频率耦合特性,此时正负序阻抗不再解耦,仍使用单入单出的稳定判据无法精确判定系统稳定性。文中通过分析扰动分量与稳态谐波的交互作用,研究了MMC频率耦合产生机理,进一步采用谐波传递矩阵建立了定交流电压控制下MMC频率耦合模型,并分析了频率耦合特性的主要影响因素和对稳定性的影响。最后,基于MATLAB/Simulink搭建的仿真系统结果验证了所建立频率耦合模型精度和系统稳定性分析结果的正确性。     

人工智能技术在新能源功率预测的应用及展望EI北大核心CSCD

构建新型电力系统是实现我国“双碳”战略目标的主要举措之一,风力发电和光伏发电作为两种最具代表性的新能源,其波动性和随机性给电网安全和新能源消纳带来了重大挑战,新能源功率预测是降低其随机性影响的核心关键技术。近年来,随着大数据技术和以深度学习、强化学习为代表的新一代人工智能(artificial intelligence,AI)技术在诸多领域的成功应用,其在新能源功率预测方面的应用仍有方兴未艾之势。首先该文论述AI技术在新能源功率预测应用的理论基础,并对AI技术在风电和光伏功率预测方面的应用进行系统总结,包括数据增强和特征构建等多种数据处理技术的应用,传统机器学习算法、深度学习算法以及组合算法在模型构建方面的应用,以及进化算法、群智能优化算法、强化学习等多种智能优化算法在模型训练和超参数优化方面的应用。然后,对当前相关文献进行统计分析,并基于新能源预测大赛结果和实际预测系统调研情况,对当前学术界研究热点和趋势、产业界模型应用情况进行对比和分析。最后,对当前新能源功率预测在场景自适应、小样本学习、数值天气预报系统(numerical weather prediction,NWP)数据时空分辨率、分布式新能源预测等方面存在的一些问题进行剖析,并对采用强化学习、元学习、图神经网络(graph neural network,GNN)等多种AI技术解决相关问题的前景进行展望。