不确定性环境下数据驱动的电力系统优化调度方法综述

随着可再生能源大规模并网,电力系统运行的不确定性显著增加,考虑不确定性因素的调度方法逐渐得到重视。另一方面,建立准确的不确定性因素模型是求解优化问题的前提与关键,可再生能源出力具有复杂的不确定性,其发电数据为随机调度提供了科学的数据支撑。文中总结了不确定性环境下数据驱动的电力系统调度的理论方法以及应用场景。首先,总结了传统随机优化调度中数据驱动的随机变量建模方法。其次,介绍了鲁棒优化调度中数据驱动的不确定性集合建模方法。然后,针对随机优化中不确定性因素建模不准确以及鲁棒优化结果较为保守的问题,重点阐述了基于数据驱动分布鲁棒的电力系统优化调度理论与方法,梳理了随机变量的概率分布模糊集构建方法和分布鲁棒优化的模型构建及求解算法。最后,对数据驱动的电力系统调度未来的研究工作进行了展望。     

数据与知识联合驱动方法研究进展及其在电力系统中应用展望

知识驱动方法与数据驱动方法是指导工程人员研究电力系统的两大方法论。然而随着电网规模日趋扩大、时变因素日益增多和非线性逐渐增强,基于知识驱动的机理模型方法或基于数据驱动的经验模型方法在电力系统相关应用中将面临更多的挑战。充分利用数据驱动方法与知识驱动方法的互补特性,将二者联合,有望实现应用中综合性能的提升。该文对各研究领域中的数据与知识联合驱动方法进行了整理归纳,进而结合电力系统的特点和需求,梳理了数据与知识联合驱动的典型应用方式,并针对潜在的应用场景进行了详细讨论。最后,在电力系统应用场景中测试验证了数据与知识联合驱动方法的应用效果。     

面向多场景辅助服务的大规模电动汽车聚合可调度容量建模

大规模电动汽车聚合可调度容量是含电动汽车的虚拟电厂参与多层级多场景电力平衡辅助服务的重要技术指标之一。然而,现有电动汽车聚合可调度容量模型难以适应大规模电动汽车与省级电力调度中心互动场景。为此,文中从面向电力系统调峰、调频和调压多级多场景调控新视角,提出了数据驱动和机器学习相结合的双层聚类电动汽车聚合可调度容量建模方法。该方法通过构建电动汽车-充电桩广义储能单元的个体可调度容量模型,结合基于密度空间的聚类算法和改进的自组织映射深度聚类算法,有效地融合了电动汽车电量的时间分布和充电桩的空间分布特性,构建了面向调峰、调频和调压多场景调控的聚合可调度容量模型。采用了某省实际充电记录数据对提出的方法进行了验证,获得了“早间型“”中午型“”晚间型”等多种充电画像类型,实现了时空分布各异的电动汽车广义储能系统的自主聚合和省市级规模电动汽车参与电网不同辅助服务潜能的评估,并为聚合可调度容量的预测奠定了数据基础。     

数据驱动的电力网络分析与优化研究综述

数据驱动的电力网络分析与优化近年来受到广泛关注。首先,对比了电力网络分析与优化中数据驱动及基于物理模型方法的思维模式,阐述了数据驱动方法和基于模型方法的区别与联系。进一步,对于电力网络分析与优化研究对象的分类,分别从拓扑辨识、参数—拓扑联合辨识、系统矩阵辨识、潮流计算及最优潮流计算等多个方面总结了现有数据驱动电力网络分析与优化的研究进展,总结了现有研究中采用的数据驱动方法。最后,提出了数据驱动电力网络分析与优化所面临的挑战,展望了该领域未来可能的研究方向。     

新能源接入背景下的谐波源建模方法综述

大量接入可再生能源和逐步采用交直流混合网络已经成为现代电力系统的两大特征,随之而来的电网谐波问题日益突出。在此背景下,谐波源建模方法、谐波溯源方法以及谐波治理方法这三个难点问题越来越受到学术界和工业界的高度关注。综述了目前常见的谐波源建模方法,为电网谐波领域的理论研究和实践提供参考。从谐波源的机理性建模和数据驱动建模两个角度,对目前常见的谐波源时域建模方法和频域建模方法进行了梳理、分析和比较,归纳了各种建模方法的优势和不足,论述了各类谐波源建模方法的适用场景。其中,重点阐述了机理性建模方法和数据驱动建模方法存在的问题,并针对每个问题提出了对应的解决思路。最后,对常见谐波源建模方法的特点进行了归纳总结,对新能源接入背景下谐波源建模技术的发展方向进行了展望。     

电力人工智能技术理论基础与发展展望(一)：假设分析与应用范式

人工智能(artificial intelligence,AI)正在成为构建“双碳”目标下新型电力系统的重要支撑技术。当前,人工智能在电力行业不同场景应用过程中表现出了不同的适用性与性能水平,这既源于人工智能算法本身的基础假设与固有局限,也源于电力系统不同应用场景的需求。针对以上问题,总结提出4种电力人工智能应用范式,即深度连接、符号知识、行为强化与集成智能,分析其核心算法的基础假设及因假设所带来的局限,匹配适用的电力应用场景特征与需求,并梳理目前性能表现较好的具体算法及相应技术指标。进一步,指出当前电力人工智能发展存在的共性技术瓶颈,即可信伦理、数据分布与进化迁移等。针对以上技术瓶颈,提出数据知识融合驱动机制、平行互动机制以及模型进化机制等3种解决机制。在后续文章中将详细剖析这3种机制,提出更加系统化的电力人工智能技术发展模式,以有效提升电力人工智能的自组织、自协同、自学习与自进化能力。     

数据驱动的电力市场研究:挑战与展望

传统意义上的电力市场研究多建立在经典、简化的经济学模型之上,采用理性人假设与理想化的博弈模型,其结果常与实际市场状态产生较大偏差。近年来,电力市场数据逐渐开放,数据驱动研究方法快速发展,数据驱动的电力市场研究逐步成为研究热点,取得了一系列的理论成果及实际应用。为此,文中尝试对数据驱动的电力市场研究进行梳理。首先,总结了传统电力市场研究的发展现状,分析其局限性;其次,介绍并比较了目前全球不同电力市场实际的信息发布与数据开放政策;进一步,对采用数据驱动技术路线开展电力市场研究的现状进行综述;最后,归纳数据驱动的电力市场研究的关键挑战,并对未来的研究方向与应用前景进行了展望。     

综合能源系统运行可靠性评估评述Ⅱ：数据驱动法与模型-数据混合驱动法

对综合能源系统进行运行可靠性评估,不仅能实现系统运行状态的实时感知,而且能对系统的短期运行风险进行合理预测。利用数据驱动的人工智能技术解决能源领域问题是当下的研究热点。该文首先基于数据驱动法对考虑时变性与供需不确定性的综合能源系统设备运行可靠性建模方法进行阐述和总结,并归纳出在设备运行可靠性建模方面现有研究存在的不足;其次,详细总结数据驱动及模型-数据混合驱动两种运行可靠性评估方法的原理、研究现状和目前研究存在的局限性;最后,针对现有研究存在的问题,对综合能源系统运行可靠性评估研究进行总结与展望并提出人工智能背景下模型-数据混合驱动的运行可靠性建模及评估总体思路。     

基于数据驱动的微电网双层鲁棒优化调度

提出了一种基于数据驱动的微电网两阶段自适应鲁棒优化调度方法。首先,构建了基于数据驱动的微电网市场调度优化框架,利用K-means聚类方法对微电网大量历史数据进行聚类预处理,选取典型场景代表大量复杂场景来获得准确地风电出力概率分布情况。然后,在阶段一建立微电网日前预调度模型;基于预处理的聚类数据,建立数据驱动的风力发电的不确定性集合,在阶段二建立微电网实时调控模型。通过数据驱动构造的风力发电不确定性集合,排除了部分极端场景,降低了模型的保守度。接着,用列约束生成算法(C&CG)将构建的两阶段自适应鲁棒优化模型分解为主问题和子问题进行交互迭代求解。最后,仿真结果验证了所提方法的有效性,降低了微电网设备运行成本,提高了新能源利用率。     

基于人工智能和综合防误的复杂大电网调度驾驶舱平台建设

结合人工智能和综合防误技术,针对电网调度业务从调度业务规则、知识图谱建立和智能调度驾驶舱运行技术三个方面着手,建立了适用于广东电网的智能驾驶舱平台.该智能驾驶舱平台具体包括操作驾驶舱、调控和辅助决策驾驶舱以及大数据分析驾驶舱.通过部署智能化人工智能组件,识别和探测业务场景,根据多元数据融合和深度 学习获得的知识图谱和调度业务模型,进行全业务链条复杂大电网辅助驾驶.应用结果表明,该成果运用人工智能技术进行建模和训练,结合实际业务场景,通过数据融合和数据驱动性建立支持平台,有效保证了复杂大电网调度运行的安全性.     

基于风光数据驱动不确定集合的配电网与多微网鲁棒经济调度

随着风电和光伏等可再生能源通过多微网(multiple microgrids,MMGs)的形式接入配电网(distribution network,DN),其不确定性会给配电网与多微网系统联合运行的可靠性、经济性带来挑战。对此,文章提出了一种考虑风光相关性的配电网与多微网数据驱动鲁棒调度方法。首先采用分布式调度方法建立配电网与多微网调度框架,分别建立配电网调度模型与微网二阶段鲁棒调度模型,以联络线功率作为两者的耦合参数;考虑风光出力的不确定性与时空相关性,采用数据驱动算法构建风-光出力不确定集合,从而建立微网数据驱动鲁棒调度模型;最后提出一种基于极限场景的改进列约束生成算法(column-and-constraint generation,C&CG)求解微网鲁棒调度问题,并采用目标级联分析法(analytical target cascading,ATC)对配电网与多微网整体调度问题进行求解。仿真结果表明,该配电网与多微网的数据驱动鲁棒调度策略可以捕捉风-光时空相关性,在保证系统调度鲁棒性时提高调度的经济性,并具有良好的收敛性。     

数据驱动下风电–抽蓄联合参与日前–实时市场随机鲁棒竞价策略

风电出力不确定性和波动性导致其市场竞争力较弱,且电价的预测偏差可能进一步加大其市场风险。为减少不确定性因素对风电-抽蓄联合系统收益的不良影响,由对抗变分贝叶斯神经网络生成以风电为代表的可再生能源出力场景,基于数据驱动方法对实时电价进行模糊不确定性建模。通过随机鲁棒优化建立风电-抽蓄联合参与日前和实时电力市场的三阶段模型,相较于常规的两阶段随机优化,增加了第三阶段鲁棒改进过程,保证了竞价方案能够既有经济性又能够有效应对极端场景、既有鲁棒性又不过分保守。结果表明,所提方法比传统不确定性分析方法具有明显优势,能够在避免人为假设的前提下,高效且真实反映可再生能源出力场景以及表征电价不确定性,可有效减少风电实时出力波动和电价预测偏差带来的较高不平衡惩罚。     

电力调度数据网的网络仿真研究

针对实际的电力调度数据网开展风险过大或现实不存在场景的研究是极其困难的,为此探讨了网络仿真技术的解决方法。以某供电局电力调度数据网的建模仿真为例,介绍一种基于OPNET的电力调度数据网的仿真模型建立方法,以及基于该仿真模型进行的网络故障失效仿真、新业务上线仿真预演和网络扩容仿真等场景的研究方法;最后分析了采用本文方法建立的调度数据网仿真系统的可信度。     

基于知识和数据联合驱动的并网逆变器多工况阻抗获取方法

当大量逆变器接入电网时,会发生谐波不稳定问题.并网逆变器dq阻抗的准确获取是分析该问题的关键前提之一.仅基于知识驱动的白箱建模方法难以适应工程现场信息保密的实际情况,黑箱或灰箱测量方法会向实际系统持续注入谐波扰动;仅基于数据驱动的方法难以合理确定输入变量.针对这些缺陷,提出了一种基于知识和数据联合驱动的并网逆变器多工况...     

模型-数据混合驱动的直驱风机VSC等效建模方法

建立电压源换流器(Voltage Source Converter,VSC)模型对研究风机并网特性具有重要作用.为了解决目前VSC线性化模型对高频电力电子开关器件建模繁琐以及数据驱动模型泛化性差、精度低等问题,提出了一种基于模型与数据混合驱动的VSC等效建模方法.将VSC模型中的比例积分控制环节采用线性化模型进行快速计...     

数据驱动下基于风电场景的多时间尺度调峰调度研究

风电具有明显的波动性和反调峰特性。为减少风电大规模并网对电力系统调峰带来的影响,提出了一种基于风电调峰场景的多时间尺度调度策略,提高了极端风电场景下电网调度的执行效率。首先,构建了风电-负荷数据驱动模型。提出了风电调峰功率的多时间尺度评估指标,根据该指标对一年的风电功率进行时域分解并生成典型的风电调峰场景。其次,为保证在调峰场景下电网的功率平衡,针对历史场景构建了风火储协同调峰模型,并制定典型场景的经济最优调度预案。在此基础上提出多时间尺度调度策略,通过对调度预案进行滚动修正以应对风电的不确定性。最后,通过算例分析验证了所提方法在保证电网经济稳定运行的前提下可有效地提高调峰调度的计算速度并及时实施调峰调度。     

基于数据驱动的家庭能量实时经济调控方法

分布式电源和大量用户侧可调资源的接入使得通过需求侧响应提高系统的用能效率、节约用电成本以及实现清洁能源转型成为现实。然而,分布式发电的不确定性和间歇性以及用户负荷的随机波动使得依赖于预测数据的模型驱动调度方法存在预测误差导致调度效果不佳的问题。针对以上问题,提出了一种基于数据驱动的家庭能量实时经济调控方法。该方法首先建立家庭能量系统的数学模型,然后利用历史数据基于模型驱动方法构建训练数据集;所构建的训练数据集将用于人工神经网络的监督学习,从而建立基于数据驱动的调度决策模型;之后,在新的场景到来时由该模型输出调度结果并施加设备约束得到调度决策。仿真表明,所述方法可以基于电价变化协调用电器和储能系统的运行,在保证用电器和储能系统安全运行的前提下实现经济运行。     

数据驱动下的虚拟同步发电机等效建模EI北大核心CSCD

为了适应电力电子化发展的趋势,同时在建模时考虑电力电子逆变器的高频开关状态的影响,提出了一种基于长短期记忆网络(long short-term memory,LSTM)的虚拟同步发电机数据驱动建模方法。通过简化虚拟同步发电机的数学机理模型,着重关注各电气量之间的数据映射关系,构建基于LSTM网络的数据驱动模型,实现了由当前时刻电气量预测下一时刻输出的动态建模。为了验证所提模型的有效性,通过搭建仿真模型,对比了不同神经网络方法以及理论方法的差异性。仿真结果表明,所提模型能够反映虚拟同步机不同运行工况下的动态特性,具有良好的稳定性与泛化性,为电力电子化建模提供了一种有效的解决思路。     

数据驱动的考虑安全约束机组组合问题研究综述

安全约束机组组合(security-constrained unit commitment,SCUC)作为编制发电计划的核心环节,在电力系统优化调度等方面具有十分重要的意义。因此,该文首先从物理模型和求解方法简要概述了SCUC问题。然后,从多目标、多元化决策变量、不确定性、多时间尺度与多元约束条件5个方面梳理了物理模型驱动的SCUC的研究进展,并分析了此类方法所面临的挑战。同时,重点总结归纳了现有基于人工智能技术和数据驱动的SCUC问题的研究成果,并分析了不同类型方法的特点、优势和缺陷。最后提出了对未来基于数据驱动的SCUC研究方向的相关思考。     

基于模型-数据融合驱动的频率响应分析方法

综合考虑基于模型驱动以及数据驱动的电力系统频率响应分析方法在实时应用中存在的计算速度、计算精度及泛化能力等方面的矛盾，提出了一种基于模型-数据融合驱动的频率响应分析方法。该方法在建模过程中，选取系统频率响应模型作为基于模型驱动的频率初测模型，对系统的频率响应动态过程进行初步预测；选取由粒子群算法优化参数后的极限学习机模型作为基于数据驱动的频率修正模型，对初测频率响应进行误差修正。在保证计算速度的前提下大幅提高计算精度，同时减少模型对样本数据的依赖程度，提高融合模型的泛化能力。通过WSCC 3机9节点测试系统进行仿真算例的设计与分析，验证了该方法可以快速准确地计算扰动后的电力系统频率响应动态过程，并具有良好的泛化能力，可为电网的调度控制提供辅助决策，以防止系统出现频率崩溃事故。