面向能源互联网的零碳园区智能感知设备优化规划方法

面向能源互联网的零碳园区以新能源为主体,汇集了高比例风/光/生物质等可再生能源、氢发电、煤电等能源形式。然而,目前零碳园区设备数据状态感知研究较少。为合理规划零碳园区中用于数据收集与分析的智能感知设备,保证零碳园区能源系统可靠、安全、优质、低碳和经济运行,提出一种面向能源互联网的零碳园区智能感知设备优化规划方法。首先,分析零碳园区状态感知设备的要求,制定了智能感知设备优化规划的原则,考虑投资成本、维护成本、故障成本等方面,提出了零碳园区智能感知设备优化规划的数学模型;其次,为实现所制定数学模型的准确求解,提出一种灰狼-教与学混合优化(grey wolf and teaching-learning hybrid optimization,GWO-TLBO)算法;最后,以一个零碳园区的实际案例作为仿真验证,验证了文章所提出的零碳园区智能感知设备优化规划方法可显著降低生命周期成本,与现有智能算法的对比实验表明所提出的GWO-TLBO算法具有较高的求解精度。     

基于GAN的非侵入式自能源建模

自能源(we-energy)作为能源互联网的能源终端,其模型是能源互联网优化和调度的基础。该文针对自能源建模问题,提出一种基于生成式对抗网络(generative adversarial networks,GAN)的非侵入式建模方法。首先,考虑到自能源中风、光、储、耦合设备的产能特性,通过联合滑动与梯度分离实现自能源的非侵入式监测。进一步地,结合生成对抗网络的生成能力和判别能力,利用改进的GAN处理自能源中电-气-热数据时间异步问题,从而实现能源设备的分类和辨识,并在此基础上建立自能源的可调度模型。最后,以北方某能源区域作为算例进行仿真,验证所提方法的有效性和准确性。     

基于GAN技术的自能源混合建模与参数辨识方法

自能源（We-energy,WE）作为能源互联网的子单元旨在实现能量间的双向传输及灵活转换.由于自能源在不同工况下运行特性存在很大差异,现有方法还不能对其参数精确地辨识.为了解决上述问题,本文根据自能源网络结构提出了一种基于GAN技术的数据——机理混合驱动方法对自能源模型参数辨识.将GAN（Generative adversarial networks）模型中训练数据与专家经验结合进行模糊分类,解决了自能源在不同运行工况下的模型切换问题.通过应用含策略梯度反馈的改进GAN技术对模型进行训练,解决了自能源中输出序列离散的问题.仿真结果表明,提出的模型具有较高的辨识精度和更好的推广性,能有效地拟合系统不同工况下各节点的状态变化.