考虑响应不确定性的高比例可再生能源微电网优化策略

为了响应“碳达峰,碳中和”目标,实施需求响应可高效平抑高比例可再生能源微电网的波动性,有助于电力行业实现深度减排。在微电网独立运行模式下,可通过能源大数据中心获取可再生能源出力、负荷需求及用户响应等数据,制定实时激励优化策略,从而降低弃风-光率和优化微电网运行。首先,建立不同激励下用户的收益情况与自身满意度之间的映射关系,通过Sigmoid函数改进云模型来衡量用户满意度与响应行为之间的不确定关系。其次,提出考虑响应不确定性的独立微电网实时激励优化策略,利用混沌烟花算法求解微电网下发的各时段激励,合理安排微电网各单元的出力情况。仿真结果表明,当用户负荷曲线进行消纳和削减的调整后,新能源的消纳率得到有效提升,微电网的运行成本也大幅降低。     

基于改进长短期记忆网络的电力负荷预测研究

针对用户用能分析中电力负荷预测模型的变量冗余和收敛困难问题，提出一种基于改进长短期记忆网络(long short-term memory, LSTM)的短期负荷预测模型。首先利用FP-tree对复杂的负荷数据和气象数据进行分析，筛选负荷强关联因素，构建出训练数据集；其次建立LSTM负荷预测模型，并使用关联性分析得到的强关联因素训练负荷预测模型；最后，选取美国Homestead地区的历史数据进行仿真分析。通过对比遗传算法优化反向传递神经网络算法和鲁棒性损失函数的人工神经网络型的预测结果，预测模型的精度和稳定性满足要求，在实际中具有一定的应用价值。