【目的】随着分布式电源、新型储能、充电设施等规模化接入,配电网的物理形态、数字形态和商业形态发生深刻变革。传统基于人工决策的规划方法难以解决要素海量、结构复杂、设备繁多的配电网组网优化问题,人工智能技术为突破配电网规划技术瓶颈提供了可行的解决路径。【方法】在此背景下,文章对配电网规划流程与新形势下源荷多时空精准预测、电力电量概率平衡、源网荷储规划协同、数字化智能化赋能赋效等方面面临的挑战进行分析,并围绕知识图谱构建、源荷场景生成、电力电量平衡、规划需求推演以及智能组网规划等关键环节,详细阐述了基于人工智能的配电网规划研究现状。【结果】对基于人工智能的配电网规划技术所存在的非/半结构化数据处理难、场景适用单一、需求推演精度低、缺乏可解释性以及规划方案求解维度高等问题进行了总结与分析,并给出了基于图学习、迁移学习、多模态融合、增强可解释性以及人机混合智能增强等配电网规划技术演进方向的展望。【结论】相比于传统配电网规划方法,基于人工智能的配电网规划具有泛化性强、适用性强、扩展性强等明显优势,但也存在模型精度不高、生成方案质量差等一些关键性问题。在未来的工作中,将继续深入研究基于人工智能的配电网规划方法,解决其涉及的关键性问题,为新型电力系统下配电网规划技术体系发展和数智化转型提供参考和借鉴。
【目的】针对干式空心串联电抗器微弱匝间短路故障难识别、传统方法缺乏早期预警机制的问题,提出了一种多维特征与智能算法融合的早期故障诊断方法,能够解决单一故障特征量灵敏度不足和易受噪声干扰故障漏判的问题。【方法】首先,提取并联电容器组的不平衡度、功率因数、零序电压及特征阻抗作为故障特征量,分析其在故障后各自的演变规律;其次,利用主成分分析法(principal component analysis,PCA)对原始数据降维去噪,消除干扰信息;随后,将去噪后的高饱和度特征输入至K近邻算法(K-nearest neighbor algorithm,KNN)构建故障识别和分类模型;最后,基于Maxwell建立场路耦合模型,生成单匝、轻微及多匝短路数据集,并设置无噪声与5%噪声工况验证算法的鲁棒性。【结果】仿真表明:所提方法在无噪声和5%噪声下对轻微匝间短路的识别准确率能够达到100%,且无需人工整定动作阈值。【结论】通过“特征提取-数据降噪-智能分类”三级架构,实现了微弱故障的高精度早期辨识;其创新点包括:四维特征协同提升故障灵敏性;PCA-KNN联合抗噪机制;自适应无阈值判别体系。研究成果为电力设备状态监测提供了新思路,后续仍可继续结合现场数据优化模型的泛化能力。
【目的】海上风电送出系统受端电网短路故障下构网型模块化多电平换流器(modular multilevel converter, MMC)运行特征不明,故障穿越与构网型主动支撑暂态交互机理不清,给海上风电柔性直流系统的可靠运行带来巨大威胁。并且传统故障穿越策略在和构网控制结合过程中存在故障前后策略切换下暂态冲击电流较大与无功支撑响应较慢的问题。【方法】文章基于此提出一种构网型MMC低电压故障内电势重构穿越控制策略,首先分析电网电压跌落时构网型模块化多电平换流器的短路电流特性,构造基于构网型模块化多电平换流器电压方程空间矢量下的故障穿越电流限幅边界,然后通过电流优化指令重构内电势,旨在挖掘不同电网电压跌落下构网控制主动型电压支撑能力。【结果】通过半实物实验平台对所提故障穿越策略进行验证,研究结果表明,该策略在不同程度故障下均可实现低电压穿越,随着电网电压跌落程度加深,所发无功随即增加,但并网电流会在较深的跌落程度下加以限制。与传统故障穿越策略相比,可以降低暂态冲击电流,同时能够快速提供无功支撑,改善并网点电压的恢复速率。【结论】分析揭示了构网型MMC主动电压支撑运行特性,并提供了基于矢量角度修正电流的思路。为深远海恶劣电压跌落工况模式下故障穿越技术的研究打下基础,促进大型海上风电基地安全可靠运行,有效推动能源产业革新。
【目的】双向变流器集牵引、回馈、无功补偿为一体,是城轨直流牵引供电系统主设备升级的主要选择方案。在低压直流牵引供电领域,变流器具备低电压大电流特性,T型三电平多单元并联结合载波移相技术更易满足城轨直流牵引供电系统对主设备低成本、低谐波、高功率密度、高效率、宽直流电压运行范围的特殊要求,但存在零序环流过大和中点电位不平衡问题。【方法】首先针对双向变流器的环流问题,建立零序环流模型,对环流分类分析,提出变压器低压绕组分裂、共用中线、L型滤波器和软件控制算法抑制零序环流;其次针对中点电位不平衡问题,在实现等效空间矢量脉宽调制的基础上,通过分析T型三电平单相拓扑结构,发现中点电位与相电压、相电流极性及空间矢量种类有关,据此提出一种基于反馈补偿的中点电位平衡控制方法。【结果】基于PSCAD/ EMTDC开展仿真测试,发现各类零序环流可以得到有效抑制,在变流器四象限运行时实现三电平变流器中点电位平衡。【结论】所提环流抑制方法不仅可以抑制各类零序环流,还有助于减少三电平中点电位量测成本;所提中点电位控制方法无需进行复杂的空间矢量调制过程,计算量小,实现过程简便,可有效控制中点电位。
【目的】随着电力系统的发展和能源系统规模的不断扩大,产生了海量的负荷功率数据,但在数据采集、传输中不可避免会发生数据缺失现象,这极大制约了系统协调优化和高级数据应用的发展。【方法】为此,提出了一种基于集成图卷积变分变换器(integrated graph convolutional variational transformer, IGCVT)网络的新型电力负荷缺失数据补全模型。IGCVT模型将改进的图卷积网络(graph convolutional network, GCN)和Transformer模型利用变分自编码器(variational auto-encoder, VAE)的架构进行聚合。通过GCN对原始数据进行处理,以学习空间特征并深度挖掘空间依赖关系;利用VAE对隐藏层数据进行重构,更为有效地还原数据的分布特性;基于Transformer模型对序列时间自相关信息进行挖掘。此外,引入了改进的鲸鱼优化算法(whale optimization algorithm, WOA)以优化网络模型超参数,以提高补全精度和模型的适用性。同时,针对电力负荷数据极端变化点补全误差较大的问题,采用了数据双向补全方法,充分利用缺失点前后的数据信息。【结果】实验结果表明,与基准模型相比,均方根误差(root mean square error, RMSE)指标分别提升了24.3%、44.0%和47.9%,验证了所提方法的优越性。【结论】文章所提方法为解决电力负荷数据缺失问题提供了可行的解决方案,并有望进一步扩展该模型的应用范围。
【目的】智能变电站信息同步对电力系统故障智能诊断、保护具有重要意义。卫星时钟同步方法应用较为广泛,然而,卫星时钟同步方法过度依赖于专用通信通道或卫星同步时钟,容易出现同步信号丢失问题,且还需配备若干同步信号传输通道,传输通道的损坏将在主、从时钟之间引起同步误差。【方法】针对这一问题,考虑到基于突变量检测算法的信息同步技术不依赖于时钟和通信通道,且不受同步通信的限制,能有效避免由于通信造成的信息不同步问题,因此提出基于突变量检测算法的多厂站信息同步方案。接着,进一步从脉冲宽度、边界效应以及相移影响方面,详细对比了小波变换、奇异值分解(singular value decomposition,SVD)等典型突变量检测算法的性能。【结果】结果表明,与小波变换相比,Hankel矩阵奇异值分解算法具有脉冲宽度窄、不受边界效应影响、零相移的优势,在快速信号奇异性检测方面优势显著。在此基础上,提出了基于Hankel矩阵奇异值分解算法的信号同步方案。最后,利用大量现场录波数据进行解析验证了所提信息同步方案的可行性和优势。【结论】所提的信息同步方案能够实现厂站内和厂站间各保护装置与录波器间的信息精准同步。
【目的】随着数据中心能耗的不断增长以及可再生电力的快速渗透,算力-电力-热力的协同能够打破算、电、热各环节烟囱式发展的现状,助推数据中心和新型能源系统的高质量可持续发展。但是,算力-电力-热力协同体系建设与标准的制定缺乏规范和指导,在一定程度上有碍于提升数据中心的能源利用效率和协同优化水平。【方法】文章分析了数据中心算力-电力-热力协同体系的研究和建设现状,总结现有术语的不足之处,并从通用术语、集成优化术语、评价术语等方面给出了部分算力-电力-热力协同的要点术语示例。【结果】结果表明,数据中心算力-电力-热力协同正处于初步探索阶段,应做好多行业主体交叉下协同术语的规范性工作。【结论】文章构建了算力-电力-热力协同标准体系,主要包含基础标准、业务标准与服务标准三方面,以期能够有效指导数据中心与电网、热网的深度协作,推动能源多元化、集约化利用,并对算力-电力-热力协同标准化工作的推进提供参考与建议。
【目的】随着云计算、“互联网+”的高速发展,互联网数据中心(internet data center, IDC)作为云计算底层核心的基础设施,正处于高速扩张阶段。然而,由于数据中心和综合能源系统(integrated energy systems, IES)均拥有底层用户的信息,数据泄露可能会导致多种风险。为此,在设计IDC与IES的协同优化方案时,必须得充分考虑两者的隐私保护。【方法】首先,分析数据中心灵活调节特性,采用图论及M/M/1排队论构建数据中心灵活需求响应模型,建立了IDC及IES各自的规划模型及运行模型。根据IDC及IES运行模型的KKT(Karush-Kuhn-Tucher)条件将运行模型转化为规划模型的附加约束,并采用大M法进行线性化处理。随后,考虑IDC及IES间的隐私保护,完善一种适用于混合整数线性规划(mixed-integer linear programming, MILP)子问题的增强型Benders分解算法并设计分布式求解框架对时空联合规划模型进行求解。【结果】研究结果表明,在所采用的算例场景下,引入所采用的IES及IDC需求响应模型后,系统的年化总成本降低了26.79%,增强型Benders分解算法在分布式求解速度上较交叉方向乘子法(alternating direction method of multipliers,ADMM)快1.11倍。【结论】分析了IDC与IES的灵活调节手段,构建了一种切实可行、兼顾隐私保护的含IDC的IES分布式优化方案。该研究可以为类似的多利益主体协同优化场景提供相应的方案及方法参考。
【目的】针对园区综合能源系统(park-level integrated energy system, PIES)内光伏出力和电负荷需求的不确定性,以全生命周期现值总费用最低为目标函数,建立考虑源荷不确定性的园区综合能源系统鲁棒多阶段规划模型,其中考虑最优建设时序和阶梯碳交易以充分发挥园区用能的经济性与低碳性。【方法】首先,采用盒式不确定集对源荷不确定性进行建模,并引入不确定调节参数以降低PIES规划的保守性,从而得到一个两阶段鲁棒优化(two-stage robust optimization, TSRO)模型。在该TSRO模型的第二阶段决策变量中,同时包含离散变量与连续变量,无法直接利用拉格朗日对偶理论求解第二阶段问题,而需要在模型中再嵌套一层进行求解,因此文章采用了嵌套列和约束生成(nested column-and-constraint generation, NC&CG)算法来求解该模型。【结果】仿真结果表明,鲁棒规划模型通过在一定程度上牺牲系统的经济性和低碳性来提升系统的鲁棒性,并可以通过改变不确定性参数的取值来灵活调整PIES规划方案的鲁棒性。【结论】文章提出的多阶段规划方法可以从系统的长期建设角度考虑负荷增长性和源荷不确定性,提升规划方案的灵活性和适应性。
【目的】随着能源消费趋向多样化,多元负荷预测对于综合能源系统(integrated energy system, IES)优化调度与运行规划的重要作用日益凸显。【方法】针对目前综合能源系统负荷预测研究中往往忽略多元负荷间耦合关系的问题,提出一种基于多能需求响应与改进双向长短期记忆(bi-directional long short-term memory, BiLSTM)神经网络的综合能源系统多元负荷联合预测方法。首先,综合用户需求响应行为构建多能需求响应的输入特征变量,并与最大信息系数筛选出的多元负荷预测强相关特征共同构成预测模型的输入特征集;其次,基于混沌映射理论和精英反向学习策略对冠豪猪优化算法进行改进,以优化双向长短期记忆神经网络的模型参数;最后,基于多头自注意力机制自适应调整输入特征权重。【结果】仿真结果表明,所提多元负荷联合预测方法的预测精度相较于单一负荷预测方法有显著提升,与未考虑需求响应的多元负荷预测方法相比,电、热、冷负荷的平均绝对百分比误差分别降低了6.59%、13.04%和24.86%。此外,与其他预测模型相比,所提模型在提高预测精度方面更为有效,能够实现更为精准的多元负荷预测。【结论】同时,将所提负荷预测与综合能源系统调度结合,分析其带来的经济效益。与普通调度相比,引入所提负荷预测方法的系统总运行成本减少了16.49%,能够实现IES综合效益的提升。
【目的】随着光伏渗透率增加,光伏的波动性和随机性导致用户净负荷峰谷波动加剧,从而引起需量电费增加。储能可以利用削峰填谷的特性降低需量电费,但储能高昂的初始投资限制了其在用户侧的大规模应用。【方法】为此,提出了一种基于主从博弈定价和信息间隙决策理论(information gap decision theory, IGDT)的含电动汽车需求响应光伏园区储能最优配置方法。首先,综合考虑上网电价、分时电价、需量电价、电动汽车的购售电价及光伏出力的不确定性,构建了基于IGDT的储能配置模型和电动汽车集群优化运行模型。其次,将园区作为领导者,电动汽车作为跟随者,构建了园区和电动汽车成本最小化的主从博弈模型。然后,通过KKT(Karush-Kuhn-Tucker)条件和线性规划对偶定理将主从博弈模型转化为混合整数线性规划问题进行求解。最后,以某一地区光伏园区为研究对象进行分析。【结果】结果表明,所提策略在光伏出力不确定环境下使园区年综合成本降低了12.06%,电动汽车用户的充放电成本降低了54.88%,由于电动汽车参与园区调度,储能配置容量和储能配置功率减少了62.80%,上网电量减少了1.32%,提高了光伏的就地消纳率,鲁棒优化模型与所提IGDT模型相比,园区成本高出了1.97%,证明IGDT模型的经济性更佳。【结论】所提策略在降低园区综合成本的同时满足了电动汽车的充电需求,降低了车主的充电成本,实现了博弈双方互利共赢。
【目的】为了准确描述新能源输出功率的波动性和随机性对电-气互联系统运行的影响,并提高电-气互联系统优化运行的鲁棒性,提出了多区间不确定集鲁棒优化方法。【方法】首先,构建分布式光伏出力的传统区间集合,然后考虑时间相关性建立单区间相关性不确定集;其次,针对传统集合存在鲁棒性差和保守性大的问题,将单区间集合进行切割划分,得到多区间相关性集合;然后,考虑能源转换装置建立了基于多区间不确定集的电-气互联有功-无功协同鲁棒优化模型;最后,通过改进的IEEE 33节点电网与比利时20节点气网互联系统算例进行仿真验证。【结果】结果表明,考虑多区间不确定集的电-气互联有功-无功协同鲁棒优化方法可以减少保守性,提高优化结果鲁棒性,证明了所提方法的有效性。【结论】提出的基于多区间不确定集的电-气互联有功-无功协同鲁棒优化方法,不仅能够有效应对新能源波动性带来的挑战,还能在降低保守性的同时提高系统的鲁棒性。该方法为电-气互联系统的优化运行提供了新的解决方案,对推动高比例新能源接入下的能源系统安全、经济运行具有重要意义。
【目的】针对雪灾、暴雨等极端事件可能导致高速公路服务区微网光伏发电骤减、与大电网联络线中断等突发事件,为保障服务区微网供能稳定,提出一种考虑应急电源车的高速公路服务区微网两阶段优化调度方法。【方法】日前阶段,考虑服务区综合能源微网中可调度储能容量的灵活性资源能力,以微网运行成本最低为优化目标,建立微网日前经济调度模型,得到储能资源荷电状态下限,作为日内优化调度阶段的参数;日内阶段,基于模型预测控制理论,建立日内滚动优化调度模型。日内滚动优化考虑应急电源车参与服务区微网调度,并对服务区的多种用能负荷按照重要程度进行分级处理。以应急电源车运行费用最低和切负荷惩罚最低为目标函数,得到最终日内优化调度结果。【结果】通过构建极端场景下光伏出力骤降及并网中断的仿真算例,将文章所提研究方法与无储能荷电状态优化约束方案和不考虑应急电源车调度方案进行对比分析。仿真结果表明:所提方法有效降低了电/热/冷负荷削减量,同时系统运行成本也有所减少。【结论】算例分析验证了所提服务区微网两阶段优化调度方法在极端场景下的有效性,通过储能系统与应急电源车的协同调度机制,不仅增强了服务区微网抵御外部冲击的能力,还实现了供能稳定性提升与运行成本优化的双重目标,保障了服务区微网重要负荷的稳定供能。
【目的】在国家"双碳"目标深入推进的能源转型背景下,随着新能源渗透率持续攀升,其出力的强随机性与波动性不仅推高了系统旋转备用需求,更导致保障供电可靠性的调峰调频成本陡增,加剧了系统经济运行代价与供电可靠性两者间的本质性冲突。尤其是极端天气等小概率高影响事件引发的尾部风险,使得基于典型场景假设的传统调度模型不再适用。【方法】针对此问题,首先采用拉丁超立方抽样与改进k-means聚类生成风光出力典型场景集,并校验其备用可行性,进而通过场景聚类将备用不可行场景重构为极限场景集。在此基础上,构建以日前调度阶段运行成本与日内调整阶段碳交易成本、火电再调度成本及风险成本联合最小化为目标的两阶段分布鲁棒调度模型,并通过引入综合范数约束构建计及极限场景修正的离散概率模糊集,从而更精确刻画新能源出力不确定性。最后,采用列与约束生成(column and constraint generation,C&CG)算法进行求解,并在改进IEEE 39节点系统进行仿真验证。【结果】结果表明,与传统确定性模型及基于典型场景的分布鲁棒模型相比,所提模型虽然调度成本增加了7.11%和14.37%,但平均弃电率降低8.28%和34.65%,平均切负荷率减少8.19%和33.32%。【结论】所提模型在控制经济运行成本的同时可显著提升系统鲁棒性,有效解决了传统方法风险应对能力不足,无法兼顾系统运行经济性、可靠性和低碳性的问题,为新型电力系统的安全稳定运行提供了有效解决方案。
【目的】光伏发电功率预测是提高太阳能利用效率和降低运营成本的关键技术。然而,传统模型在多步光伏发电功率预测中存在时间趋势学习能力不足和误差累积的问题,限制了预测精度的提升。【方法】文章提出了一种基于时间卷积神经网络(temporal convolutional networks,TCN)和DLinear的光伏发电功率多步预测模型。首先,通过改进的自适应白噪声完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对多元气象序列进行分解,揭示其潜在特征,得到更易学习多尺度特征的多维子序列。其次,利用TCN对局部时序信息进行建模,挖掘短期内的时序特征。最后,利用DLinear将序列分解为趋势分量和残差分量,通过线性网络学习多尺度特征,并直接输出多步(每步15 min)光伏发电功率预测结果。【结果】实验结果表明,所提方法的每个模块均能显著提升模型的预测性能。与集合经验模态分解-卷积神经网络(convolutional neural networks, CNN)-双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)(ICEEMDAN-CNN-BiLSTM)、Informer、Autoformer三个基准模型相比,归一化均方根误差(normalized root mean square error,NRMSE)平均分别下降了22.455%、6.139%、8.504%,具有明显优势。【结论】文章通过ICEEMDAN和TCN-DLinear组合模型,有效解决了传统方法在多步预测中的不足,显著提高了光伏发电功率预测的准确性和可靠性。研究结果为光伏发电功率的精准预测提供了新的技术路径,为太阳能发电的高效管理和运营提供了理论支持,为新型电力系统的安全稳定运行提供了数据支持。未来可进一步探索该模型在不同气象条件和地理环境下的泛化能力,以推动太阳能发电技术的发展。