面向泛在电力物联网的分布式云数据中心优化选址

泛在电力物联网是应对海量综合能源设备、数据和业务计算负荷的关键,云计算是泛在电力物联网的关键技术。云数据中心是云计算架构核心,云数据中心选址对云计算性能意义重大。变电站是能量流、业务流和信息流的核心节点,且有建设数据中心的有利资源,分布式架构可以高效利用变电站资源。因此,基于变电站建设多站融合的分布式云数据中心是支持泛在电力物联网的有效方式。首先考虑能量流、业务流和信息流的关系,分析变电站特性,提出基于变电站的分布式云计算架构。然后针对该架构提出云数据中心优化选址策略。最后基于案例对优化选址策略进行仿真,证明了优化策略的有效性。     

智能电力物联网功能架构体系设计及创新模式探讨

电力物联网是实现电力系统和能源互联网的核心链接纽带,从而支撑能量流、信息流、业务流和价值流的有机融合。尤其在大数据、人工智能及能源革命发展大趋势下,为推动电力物联网科学合理智能化建设和技术发展,文章对智能电力物联网功能架构体系及创新模式进行了探讨。首先,从信息物理融合角度,提出了智能电力物联网的基本概念及建设目标,核心是智能一次物理系统与智能二次信息系统的深度融合。其次,详细阐述了智能电力物联网功能架构,主要包含物理层、感知层、网络层、平台层、应用层和交互层。进而,提出了智能电力物联网的技术体系,分别从一次物理设备智能化、二次信息系统智能化和业务应用智能化3个层面展开了关键技术阐述。最后,给出了智能电力物联网协同创新及生态圈建设模式。文章为智能电力物联网的标准化及规范化建设,提供了一定的参考和建议。     

云计算在智能电网中的应用

结合智能电网建设目标和云计算技术,分析智能电网系统计算模式和云计算的关联,研究智能电网的系统架构,提出云计算在智能电网信息流、业务流和电力流高度融合中的应用模式和设计层次,最后结合实际工作中的桌面终端管理系统,阐述了云计算在电力信息运行维护中的应用。     

云计算与智能电网

文章结合云计算和智能电网的特点,全面阐述了基于＂云＂的理想化智能变电站结构、智能电网调度系统以及扁平化结构的智能电网,提出基于＂云＂的智能电网能充分体现＂电力流、信息流、业务流＂高度一体化的理念。     

泛在电力物联网传输网优化关键技术研究

泛在电力物联网作为能源互联网建设的重要基石,对于提升电网综合效能和社会效能,促进满足用户需求的新兴业务的发展具有重要意义。面对新形势、新要求,通过优化泛在电力物联网内部通信网络架构,加快建设泛在电力物联网步伐,实现“能源数据”广泛互联,成了亟待解决的关键问题。本文以泛在电力物联网架构下的传输网为例,分别从网络拓扑结构和路由层面2个角度出发,制定优化策略。从网络拓扑角度出发,提出了基于节点权重的加边优化策略;从路由层面出发,考虑业务均衡性问题,提出了基于边介数的优化路由策略;通过构建网络性能评价指标,将本文提出的优化策略与传统策略进行对比,验证了优化策略能够提升网络的健壮性,扩充网络容量。     

基于Voronoi图的多站融合变电站选址定容优化

多站融合变电站是支撑泛在电力物联网建设的基础保障,其发展也给传统变电站规划带来新的挑战。考虑多站融合变电站高效连接储能、数据中心负荷、电动汽车充电负荷、新能源微电网等多元主体的服务特性,提出一种多站融合变电站选址定容优化规划方法。考虑变电站服务主体的个性化需求,结合Voronoi图理论,以多维度负荷距成本最小为优化目标,建立优化模型及其求解方法流程。结合某地区电网规划实例,仿真分析多站融合变电站选址定容优化规划方案,并与传统规划方案进行成本比对,验证了模型的有效性。结果表明:所提的多站融合变电站选址定容优化模型有利于促进配网中站、源、荷、储、充多资源的紧密协同。     

泛在电力物联网的技术架构与关键技术研究

介绍了泛在电力物联网的概念与技术架构,泛在电力物联网的核心是利用智能芯片、人工智能、大数据、云计算及无线通信等先进技术对电力信息等进行可靠、高效、实时地传输与利用。并从信息采集、信息识别、信息传输与信息处理4个方面阐述了泛在电力物联网的关键技术,分析了泛在电力物联网建设中存在的信息采集的准确性、信息传输的安全性、可再生能源消纳等难点,并提出未来展望。     

泛在电力物联网云数据中心的研究展望

泛在电力物联网(ubiquitous power internet of things,UPIoTs)是能源转型背景下电网企业提升自身建设、运维、管理水平,增强不同行业及用户互动的有益探索。文章从泛在电力物联网的体系架构入手,介绍了感知层、网络层、平台层和应用层的功能作用。平台层的作用在于通过搭建数据中心、云平台的方式解决信息碎片化存储问题,打破信息孤岛现状,实现信息互联共享。如何构建强大的数据中心成为加快推进泛在电力物联网建设的前提和基础。本文详细阐述了云数据中心的特点、分类、关键技术以及产品应用,同时详述了多站融合的数据中心的原则和类别,为相关研究和实践开拓思路。     

面向智能电网建设的电力物联网架构研究

智能电网是电网公司建设的新趋势,具有较强的灵活性、可接入性、可靠性与盈利性。随着信息化时代的来临,智能电网的建设已经上升到了国家战略层面。为加快电网智能化建设,实现电力流、信息流和业务流的融合,通过分析物联网技术在电力应用方面的国内外研究现状及其优势,提出了一种面向智能电网建设的电力物联网架构,将智能传感器、移动互联网、移动终端、射频识别技术(Radio Frequency Identification,RFID)等设备应用于电网建设,与物理电网进行高度集成,并进行了应用与实现,能够实现配电网络进行实时监控、快速定位故障区段、快速恢复供电功能等,电力物联网的架构应用有利于优化电力资源配置,提高服务质量,进一步满足用户电力需求,实现电力安全、可靠、经济化供应。     

基于电力大数据技术的泛在电力物联网应用研究∗

大数据技术是电力智能终端与电力物联网之间通信的有效载体.泛在电力物联网既是数据的生产者,同时又是数据的消费者,提升电力大数据的应用技术,可以有效解决泛在电力物联网信息流层面的数据延迟与堵塞问题,提升数据的响应速度.基于大数据与电力物联网融合的设计架构,从能源、金融及业务层面提出了5种应用场景,对电力大数据与泛在电力物联网深度融合的商业运营模式进行了探讨.     

基于数值特性聚类的日前光伏出力预测误差分布模型

光伏出力预测误差难以避免且不容忽视,预测误差分布的准确描述有利于电力系统的优化调度和稳定运行。基于此,分析预测误差分布与其影响因素之间的相关性,提出一种基于数值特性聚类的日前光伏出力预测误差概率模型。利用模糊C均值聚类法对预测误差的整体水平进行分类,再依据预测出力的数值特性进行分区处理,并建立了适用于估计误差分布的通用型高斯混合模型。该分析方法综合考虑了气象因素和预测出力数值特性对预测误差的影响,可以较为准确地估计不同时刻的预测误差,给出预测误差分布的置信区间,且不受预测算法和光伏电站地理信息的限制。基于比利时和中国西北地区光伏系统历史数据的分析结果表明,所提误差模型可描述光伏出力预测误差分布偏态性和峰度多样性,效果优于其他分布模型,能够用于描述不同情况下的日前光伏出力预测误差分布。     

基于EWT和分位数回归森林的短期风电功率概率密度预测

概率密度预测能够给出未来风电功率可能的波动范围、预测值出现的概率及不确定性等更多信息,提出基于经验小波变换(EWT)和分位数回归森林的短期风电功率概率密度组合预测模型。首先,采用新型自适应信号处理方法——经验小波变换,将原始风电功率序列分解为一系列频率特征互异的经验模式;然后,对每一经验模式序列分别构建分位数回归森林预测模型,得到任意分位点条件下的预测结果,通过叠加不同经验模式预测结果获得最终的短期风电功率预测值;最后,对预测值条件分布采用核密度估计获得任意时刻概率密度预测。仿真结果验证了所提模型的有效性。     

Probabilistic solar power forecasting in smart grids using distributed information

The deployment of Smart Grid technologies opens new opportunities to develop new forecasting and optimization techniques. The growth of solar power penetration in distribution grids imposes the use of solar power forecasts as inputs in advanced grid management functions. This paper proposes a new forecasting algorithm for 6 h ahead based on the vector autoregression framework, which combines distributed time series information collected by the Smart Grid infrastructure. Probabilistic forecasts are generated for the residential solar photovoltaic (PV) and secondary substation levels. The test case consists of 44 micro-generation units and 10 secondary substations from the Smart Grid pilot in Évora, Portugal. The benchmark model is the well-known autoregressive forecasting method (univariate approach). The average improvement in terms of root mean square error (point forecast evaluation) and continuous ranking probability score (probabilistic forecast evaluation) for the first 3 lead-times was between 8% and 12%, and between 1.4% and 5.9%, respectively.     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

基于VaR和集成神经网络分位数回归的短期负荷概率预测

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先,利用相关性分析选取合适的天气变量和历史负荷。其次,通过Copula模型计算出风险阈值,该值被用于构造峰值二进制指示输入特征。接着,将所选特征集输入到卷积双向长短期神经网络预测模型,引入注意力机制给予数据不同关注。然后,采用核密度估计对负荷进行概率预测。最后,使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明,该模型具有更高的预测精度。     

Evaluation of Power Surpluses and Shortfalls Due to Error in Forecasting of Photovoltaic Generation Output

The 2011 Tohoku earthquake had a great impact on Japanese energy policy. It is expected that nuclear power plants will be phased out and a large amount of generation from renewable energy sources will be installed. Attention is particularly focused on photovoltaic (PV) generation, technology in which Japan is superior, and a high price is set in the feed‐in tariff policy, which started in 2012. However, large integration of PV into power grids may cause imbalances between power supply and demand. It will be indispensable to use PV power generation forecasts in economic‐load dispatching control (EDC), so that the economics and reliability of power systems networks can be maintained. Thus, in the previous study, we proposed an EDC method with unit commitment (UC) based on the results provided by a day‐ahead PV forecast. In this study, we evaluate the frequency and trend of shortfalls and surpluses of power due to error in forecasting PV power generation by numerical simulations using the power system model of the Kanto area in Japan. The results showed that shortfalls or surplus power occur not only due to overestimations or underestimations of PV power, but also due to the operating conditions of the power systems.     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

基于R藤Copula-DBN时空相关性建模的风光荷功率概率预测

计及时空相关性的多维风光荷功率概率预测可全面描述风光荷不确定性,为电力系统安全稳定和经济运行提供保障.提出一种基于R藤Copula-动态贝叶斯网络(DBN)时空相关性建模的风光荷功率概率预测方法.基于R藤Copula模型和传递熵刻画多维变量的空间相关性,建立初始状态的贝叶斯网络;将初始贝叶斯网络在时间点序列上进行延拓,...     

基于深度学习分位数回归模型的风电功率概率密度预测

针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。     

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。