海量数据驱动的变压器故障类型高性能诊断方法

电力变压器故障与否直接影响电力系统运行可靠性,准确且高效的变压器故障诊断有助于及时发现电网不安全因素。本文提出一种基于海量数据驱动的优选训练样本的分布式神经网络决策变压器故障类型方法。首先通过比值法求取DGA的比值型特征向量,根据皮尔逊相关系数和欧氏距离双指标计算方法在各类别中选取更具该类代表性数据作为训练样本；再通过插值-随机抽样方法应对训练样本类间数据不平衡问题并对其进行抽样分块；为适应海量数据处理,在Spark平台上将BPNN算法并行化实现以提高算法性能表现,各BPNN学习不同训练样本块构建性能不同的子分类器；最后对子分类结果多数投票得到最终诊断类型。算例表明所提方法对变压器故障类型诊断效果良好,诊断正确率较IEC三比值法和传统串行BPNN高,证明了该方法对于变压器故障类型诊断的有效性与适用性。     

含风电的电力系统鲁棒优化调度

风力发电是目前较为成熟的一种可再生能源发电技术,其出力具有随机性和间歇性,电力部门很难对其进行准确的预测。风电的不确定性给电力系统的经济调度带来重大挑战,如何最大化利用风电资源以及减小风电波动对系统供电侧的影响,是经济调度常需要解决的问题。文中建立了含风电且以最低发电成本为目标的鲁棒优化调度模型,该模型考虑机组的自动发电控制(Automatic Generation Control,AGC)响应来应对不确定性出力波动,维持系统功率平衡。然后模拟实际场景,分析该鲁棒调度方法的安全性和经济性。     

基于机会约束的多微网合作调度模型

考虑微网运行过程中风电和光伏输出功率的不确定性以及经济成本、环境成本等运行指标，本文首先建立基于机会约束规划的微网非合作调度模型。在此基础上，提出了以微网联盟总成本最小为目标的多微网合作调度模型。然后，给出了结合蒙特卡罗模拟的遗传算法对模型进行求解，并用Shapley值法对合作收益进行分配。最后通过算例分析了不同置信水平时微网非合作调度方式以及合作调度方式下各微网调度结果。结果表明:与非合作调度方式相比，合作调度方式下各微网成本均有所降低，并且在两种调度方式下，微网的运行成本均会随着置信水平的降低而降低，从而验证了所提出的合作模型的经济性。     

考虑风电不确定性的电力系统鲁棒优化调度

为更好地提高电力系统供电可靠性,采用基于风电出力预测区间的调度模式来考虑风电出力的不确定性,并建立鲁棒优化调度模型。通过96时段10机算例仿真分析可知,该调度方案可实时应对风电出力波动。